论文
文章平均质量分 92
GZHermit
前进是痛苦的
停滞是舒适的
展开
-
论文(1) YOLO v1
YOLO v1@(目标检测)论文地址:https://arxiv.org/abs/1506.02640网络结构 Yolo网络由24个卷积层和2层全连接层构成,其中,卷积层用来提取图像特征,全连接层用来预测图像位置和类别概率值。全连接层之后,会将原来的一维的tensor resize成SxSx(Bx5+C)的三维tensor。YOLO网络借鉴了GoogLeNet分类...原创 2018-05-15 11:29:51 · 739 阅读 · 0 评论 -
论文(2) YOLO v2
YOLO v2@(目标检测) YOLO通过整合备选框选择和特征检测两个部分,成功的实现了end-to-end的训练,降低了复杂度并且减少了计算量,达到了实时的效果。但是仍然拥有缺陷: 定位误差,YOLO采用的网络结构中含有全连接层,使得输入图片分辨率固定,对物体尺寸不敏感,大量的位置信息被丢失掉。并且在最后一层中,每个grid里面只预测两个obj,一个类,这让YOLO网络天然对存在大...原创 2018-05-15 11:35:43 · 772 阅读 · 0 评论 -
论文(3) Focal Loss
Focal Loss@(目标检测)Focal Loss是KaiMing大神提出来的,这篇文章的重点在于分析了one-stage网络的检测精度为什么会弱于two-stage的网络。当原理分析出来之后,其实公式的更改就很简单了。这篇paper也自建了一个网络RetinaNet[1][1]^{[1]},在COCO数据集上的检测效果达到了40%的效果,提升效果非常明显。 这篇文章提出On...原创 2018-05-25 17:49:57 · 617 阅读 · 0 评论 -
论文(4) Focal Loss
Focal Loss@(目标检测)Focal Loss是KaiMing大神提出来的,这篇文章的重点在于分析了one-stage网络的检测精度为什么会弱于two-stage的网络。当原理分析出来之后,其实公式的更改就很简单了。这篇paper也自建了一个网络RetinaNet[1][1]^{[1]},在COCO数据集上的检测效果达到了40%的效果,提升效果非常明显。这篇文章提出On...原创 2018-06-05 15:46:34 · 592 阅读 · 0 评论 -
论文(5)Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net
Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net在WAD 2018的Drivable Area track 的task中,获得了冠军,mIoU达到86.18%motivation由于数据集众多,导致当前的CNN模型基本上只适用于某一个domain或者task,如何在不fine-tuning...原创 2018-08-02 20:04:27 · 2179 阅读 · 0 评论