![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 93
helpburn
这个作者很懒,什么都没留下…
展开
-
卷积神经网络——YOLOV1论文翻译
论文链接:https://arxiv.org/pdf/1506.02640.pdfYou Only Look Once: Unified, Real-Time Object DetectionAbstract 摘要我们提出了一种新的目标检测方法——YOLO。以前主要是通过调整修改分类方法实现检测的目的。与之不同的是,我们把目标检测看做是空间独立的边界框以及该框中可能包含物体类别可能性的回归问题。使用一个神经网络在一次估计中就可以直接预测出一整张图片中的边界框和类别的可能性或者叫概率。因为整个检测流程是原创 2021-06-12 10:08:22 · 747 阅读 · 1 评论 -
卷积神经网络——SSD论文翻译
论文链接:https://arxiv.org/abs/1512.02325SSD:Single Shot MultiBox Detector0.摘要我们提出了一种只用一个卷积神经网络就可以实现检测图片中目标的方法。我们称该方法为SSD,将边界框(bounding box: 这里具体的概念等读到下面再解释一下)的输出空间离散化为一组默认框,这些默认框覆盖了特征图中每一个位置的不同长宽比和尺度。在预测时,该网络会为每个默认框(default box)中出现的每一个对象分类进行打分,并对框进行调整来更好的匹原创 2021-03-22 15:41:42 · 730 阅读 · 0 评论 -
卷积神经网络——实例分割之Mask R-CNN论文翻译
论文链接https://arxiv.org/abs/1703.06870相关论文翻译链接R-CNN:https://blog.csdn.net/itlilyer/article/details/107190083Fast R-CNN:https://blog.csdn.net/itlilyer/article/details/107764472Faster R-CNN:https://blog.csdn.net/itlilyer/article/details/108049850Mask R-C原创 2020-09-29 17:37:24 · 4600 阅读 · 0 评论 -
卷积神经网络——目标检测之Faster R-CNN论文翻译
论文连接https://arxiv.org/abs/1506.01497Faster R-CNN: 基于区域建议网络的实时目标检测0. 摘要目前最先进的目标检测网络都依赖区域建议(也称候选框)算法来假设目录的位置。SPPnet和Fast RCNN网络的改进了...原创 2020-09-04 19:47:12 · 1953 阅读 · 3 评论 -
卷积神经网络——目标检测之Fast R-CNN论文翻译
论文连接https://arxiv.org/abs/1504.080830. 摘要本文针对目标检测问题提出了基于区域的快速卷积网络方法(Fast Region-based Convolutional Network:Fast R-CNN)。Fast R-CNN建立子以前工作的基础上,使用深度卷积网络对目标对象进行有效的分类。与以往的实现方案相比,Fast R-CNN使用了几项创新技术来提高训练和测试的速度,同时也提高了检测的精度。**Fast R-CNN与R-CNN相比,训练超深VGG16网络的速度快原创 2020-08-15 15:59:29 · 1818 阅读 · 0 评论 -
卷积神经网络——目标检测之RCNN论文翻译
0.摘要目标检测的性能最近几年性能一直停滞不前。之前性能最好的方法是一个将低级别(low-level)的图像特征与高级别(hight-level)的上下文信息结合在一起的一个复杂系统。作者提出的方式简单、可扩展,mAP提高了30%,达到了53.3%。该方法结合了两个关键的思想:在候选区域上执行大容量的神经网络(CNN),以便对对象进行定位和分割;当标记的训练数据比较少的时候,先对辅助任务进行有监督的预训练,然后对特定区域进行微调(fine-tune),可以使性能得到明显的提升。我们将候选区域与原创 2020-07-27 20:13:51 · 1049 阅读 · 0 评论