论文
文章平均质量分 71
jackson_j
求大佬
展开
-
Global Context Assisted Structure-Aware Vehicle Retrieval
针对检测不精确的问题,对初始检测的边界框按20%的比例进行扩展,然后采用landmark对齐的方法对检测结果进行细化。在遮挡情况下,只有车辆被严重遮挡时,会出现假阴性(本来是车,未识别出来)结果,若只有一小部分被遮挡的情况下,检测到的置信度分数很低。因此,使用包含相同车辆的多个帧来检测目标车辆,并将检测到的置信度最高的边界框用作对齐proposal。本文使用现成得CNN模型进行检测。输入图像首先经过一个7∗77*77∗7的卷积层开始,步幅为2,通道数为64;然后通过一个残差块之后,过一个最大池化层,依次通过原创 2022-07-14 14:16:06 · 402 阅读 · 0 评论 -
G-DetKD
基于对比和语义引导模仿的目标检测器通用蒸馏框架原创 2022-07-06 10:59:43 · 189 阅读 · 0 评论 -
YOLOV5_代码
1.detect.py2.train.py3.云端训练1)先将项目打包,上传到drive2)将云端项目解压3)安装依赖2)将云端项目解压3)安装依赖4)执行训练原创 2022-03-17 22:12:27 · 137 阅读 · 0 评论 -
Distilling Object Detectors via Decoupled Features
Abstract相比于图像分类而言,目标检测器更加复杂,具有多个损失函数。而目前的的检测中,其主要将注意力集中在对象的区域中,但本文指出,从背景中提取的特征信息对于学生模型的学习也是必不可少的。且由于目标区域和背景区域包含的信息不同,所以所授予的权重也应该时不同的。在此基础上,本文提出了一种新的基于解耦特征的蒸馏算法DeFeat,性能有所提升,1. Introduction先介绍了为了提升目标检测的准确性,计算资源成本的增加和检测速度的明显降低。解决方法有:量化、剪枝、网络设计和知识蒸馏等。接下来介绍原创 2022-03-06 15:03:08 · 4204 阅读 · 0 评论 -
深度学习-知识蒸馏
第一章 综述知识蒸馏的目的是将大模型变成小模型,将小模型部署到移动终端设备上。1.轻量化网络2.知识的表示与迁移hard targets和soft targets:显然, soft targets包含更多的“知识”和“信息”, 像谁, 不像谁, 有多像,有多不像, 特别是非正确类别概率的相对大小(驴和车)。3.蒸馏温度T把比较硬的soft targets变得更软,信息暴漏的更明显例如:第二章 知识蒸馏1.过程教师网络进行预训练,生成soft labels,学生网络可能训练,原创 2022-03-05 14:16:50 · 986 阅读 · 0 评论