![](https://img-blog.csdnimg.cn/direct/fbb32a8094084b6ab18fa86cfe997563.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
目标检测论文精读
文章平均质量分 96
目标检测中的一些比较好的论文,并将论文中的方法添加到yolov5当中。
慕溪同学
计算机视觉小白研究生,写博客记录自己的学习过程和知识点
展开
-
EfficientNet网络结构详细解读+SE注意力机制+pytorch框架复现
在前一篇博客当中已经详细解读了EfficientNet论文中的相关工作和实验,该论文是为了让调节网络的深度、宽度、输入scale达到一个合适的比例,以此让网络的特征提取部分达到最好的效果。但是在原论文当中其实是没有详细介绍网络结构搭建,这篇博客也是对EfficientNet网络结构进行深度详细剖析,详细介绍该网络中用到的SE注意力机制深度可分离卷积以及MBconv结构,并且使用pytorch框架进行复现。原创 2024-05-12 20:47:49 · 1902 阅读 · 0 评论 -
【论文精读】EfficientNetv1:卷积神经网络模型缩放的再思考(Rethinking Model Scaling for Convolutional Neural Networks)
卷积神经网络(ConvNets)通常是在固定的资源预算下开发的,如果有更多的资源可用,则会扩大规模以获得更好的准确性。在本文中,我们系统地研究了模型缩放,并确定仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于这一观察,我们提出了一种新的缩放方法,使用简单但高效的复合系数均匀缩放深度/宽度/分辨率的所有维度。我们证明了这种方法在扩展MobileNets和ResNet上的有效性。原创 2024-05-03 22:33:11 · 1156 阅读 · 1 评论 -
【论文精读】CAM:基于上下文增强和特征细化网络的微小目标检测
微小的物体由于其低分辨率和小尺寸而很难被探测到。微小目标检测性能差的主要原因是网络的局限性和训练数据集的不平衡性。提出了一种结合上下文增强和特征细化的新型特征金字塔网络。将多尺度展开卷积的特征从上到下融合注入到特征金字塔网络中,补充上下文信息。引入通道和空间特征细化机制,抑制多尺度特征融合中的冲突形成,防止微小目标淹没在冲突信息中。此外,提出了一种数据增强方法copy-reduce-paste,该方法可以增加训练过程中微小对象对损失的贡献,保证训练更加均衡。原创 2024-03-30 23:04:43 · 1309 阅读 · 0 评论 -
【论文精读】DAMO-YOLO:兼顾速度与精度的高效目标检测框架( A Report on Real-Time Object Detection Design)
DAMO-YOLO是阿里巴巴达摩院在2022年提出的一种模型,这里建议大家可以直接看4.3部分的特征网络融合部分,该网络是在GFPN特征网络上进行改进的,因为GFPN有很多上采样操作并且并行化比较低,导致了Flops高效Latency低效;因为我使用该方法去替换了yolov5中Neck部分的PANet融合方法,确实有所涨点原创 2024-03-28 17:19:40 · 2004 阅读 · 0 评论 -
【论文精读】NWD:一种用于微小目标检测的归一化高斯Wasserstein距离(A Normalized Gaussian Wasserstein Distance for Tiny Object )
检测微小物体是一个非常具有挑战性的问题,因为微小物体仅包含几个像素大小。我们证明,由于缺乏外观信息,最先进的探测器在微小物体上无法产生令人满意的结果。我们的主要观察结果是,基于IoU (Intersection over Union)的度量(如IoU本身及其扩展)对微小物体的位置偏差非常敏感,并且在基于锚点的检测器中使用时会大大降低检测性能。原创 2024-03-27 16:09:17 · 2396 阅读 · 0 评论 -
【论文精读】DCNv1:可变形卷积网络和可变形ROI池化(Deformable Convolutional Networks)
卷积神经网络(CNN)由于其构建模块中的固定几何结构而固有地限于模型几何变换。在这项工作中,我们引入了两个新的模块来增强CNN的变换建模能力,即可变形卷积和可变形RoI池化。两者都是基于这样的想法,即在模块中增加额外的偏移量并从目标任务中学习偏移量,而无需额外的监督。新的模块可以很容易地取代现有CNN中的普通模块,并且可以通过标准的反向传播很容易地进行端到端的训练,从而产生可变形的卷积网络。大量的实验验证了我们的方法的性能。原创 2024-03-25 17:20:28 · 1289 阅读 · 1 评论 -
【论文精读】OTA: Optimal Transport Assignment for Object Detection(物体探测的最优传输分配)
目标检测中标签分配的最新进展主要是寻求为每个真实(gtgtgt)目标独立定义正/负训练样本。在本文中,我们创新地从全局的角度重新审视标签分配问题,并提出将分配过程制定为最优运输(OT)问题—优化理论中一个被广泛研究的主题。具体来说,我们将每对需求者(anchoranchoranchor)和供应者(gtgtgt)之间的单位运输成本。原创 2024-03-21 12:09:32 · 1073 阅读 · 0 评论 -
目标检测---IOU计算详细解读(IoU、GIoU、DIoU、CIoU、EIOU、Focal-EIOU、SIOU、WIOU)
常见的一些边界框回归IOU损失函数原理与代码实现。原创 2024-03-17 17:35:20 · 7894 阅读 · 0 评论 -
yolov5-v6.0详细解读
YOLOv5目前有YOLOv5n、YOLOv5s、YOLOv5m、YoLOv5l、YOLOv5x五个版本。这五个版本在网络结构上是没有区别的,唯一的区别就是网络的宽度和深度不一样,在这5个版本的配置文件里面是通过设置不同的depth_multiple和width_multiple来控制网络的大小。其中depth_multiple控制网络的深度(BottleneckCSP数),width_multiple控制网络的宽度(卷积核数量)。原创 2024-03-13 17:18:51 · 4126 阅读 · 0 评论 -
目标检测评估指标
大家在看目标检测论文的时候,经常会遇到mAP@0.5或者mAP@[0.5:0.95]和精度等等评估指标,自己最开始在发论文的时候对这些品估指标也总是会产生惯性思维,导致很多概念会混淆,所以也是查阅很多文献和博客去理解,但是很多博主讲的其实也不够通俗,比较偏概念化,最后将自己的理解和查阅到的内容整理了一下并列举相关例子便于大家理解。mAP@0.5,这种形式表示在IOU阈值为0.5的情况下,mAP的值为多少。指的是被分配为负样本,而且分配对了的样本,代表的是被正确分类的负样本,在mAP评价指标中不会使用到。原创 2024-03-06 11:21:52 · 1940 阅读 · 0 评论 -
yolov4方法详细介绍---看这一篇就够了!
总结一下v4的方法吧,这个版本几乎把当年所有优秀顶会的论文方法都容纳进来了,像SAM注意力机制和sppnet等方法,非常建议大家把这篇论文认真阅读一下原创 2023-07-19 14:07:33 · 2160 阅读 · 0 评论 -
YOLOv3:算法与论文详细解读
YOLOv3是YOLO系列目标检测算法的第三个版本,由Joseph Redmon和Alexey Bochkovskiy于2018年发布。在YOLOv2的基础上进行了改进,引入了一系列的变化以提高检测性能。在该论文中最主要的就是需要去理解它的网络结构,像残差链接、多尺度训练这两块内容,因为在原论文中相关细节其实说的并不清楚,所以自己在网上查阅了很多相关资料才能理解网络的设计思路与详细细节。原创 2024-01-19 20:28:20 · 2576 阅读 · 0 评论 -
yolo9000:Better, Faster, Stronger的目标检测网络
YOLOv2相对v1版本,在继续保持处理速度的基础上,从预测更准确(Better),速度更快(Faster),识别对象更多(Stronger)这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象,称之为YOLO9000。原创 2024-01-18 20:26:14 · 1146 阅读 · 0 评论 -
yolov1:背景介绍与算法精讲
yolo最开始是在2015年提出的,该论文发表在cvpr2016上,至今为止已经更新迭代到了v8版本,如果想要真正理解yolo算法思想,还是需要仔细阅读yolov1论文。原创 2024-01-15 17:32:40 · 1261 阅读 · 0 评论