关注
分享
JacobKong
欢迎来到孔伟杰（@JacobKong_Dev）的博客。 本人目前是北大信工的研一菜鸟一枚。 研究兴趣：计算机视觉|深度学习|行人检测。 欢迎大家一块儿交流！
展开
-
2017-02-27-深度学习论文笔记：R-FCN
Abstract提出了一个region-based, fully convolutional的网络来准确高效的进行物体检测。不同于Faster R-CNN，本论文的region-based detector是完全卷积化的，几乎一张图像上所有的计算都是共享的。为了实现这一目标，我们提出position-sensitive score maps，以解决在图像分类的平移不变性（translation原创 2017-02-27 22:39:56 · 2319 阅读 · 0 评论 -
行人检测论文笔记：Taking a Deeper Look at Pedestrians
layout: post title: 行人检测论文笔记：Fused DNN - A deep neural network fusion approach to fast and robust pedestrian detection categories: 论文笔记 tags: - Deep Learning - 深度学习 - Object Detection - 目标检测原创 2017-02-18 21:07:56 · 2193 阅读 · 0 评论 -
行人检测论文笔记：Histograms of Oriented Gradients for Human Detection
相关知识点从TP、FP、TN、FN到ROC曲线、miss rateTP：true positive，实际是正例，预测为正例FP：false positive，实际为负例，预测为正例TN：true negative，实际为负例，预测为负例FN：false negative，实际为正例，预测为负例fnr+tpr=1, fpr+tnr=1miss rate = FNR = 1 - true po原创 2017-02-18 20:57:38 · 2741 阅读 · 0 评论 -
深度学习论文笔记：Rich feature hierarchies for accurate object detection and semantic segmentation
AbstractmAP: mean average precision，平均准确度我们的方法结合两个关键的见解：第一：采用高容量的卷积神经网络来从上到下的进行region proposal，从而实现定位和分割物体。当标记的训练数据稀缺时，可以先对辅助数据集（任务）进行受监督的预训练， 随后是基于域进行特定调整，产生显着的性能提升。Introduction关于各种视觉识别任务的上一个十年的进原创 2017-02-18 21:09:37 · 1914 阅读 · 0 评论 -
深度学习论文笔记：Fast R-CNN
知识点mAP：detection quality.Abstract本文提出一种基于快速区域的卷积网络方法（快速R-CNN）用于对象检测。快速R-CNN采用多项创新技术来提高训练和测试速度，同时提高检测精度。采用VGG16的网络：VGG: 16 layers of 3x3 convolution interleaved with max pooling + 3 fully-connected原创 2017-02-18 21:13:29 · 1773 阅读 · 0 评论 -
深度学习论文笔记：Faster R-CNN
AbstractRegion Proposal的计算是基于Region Proposal算法来假设物体位置的物体检测网络比如：SPPnet, Fast R-CNN运行时间的瓶颈。Faster R-CNN引入了Region Proposal Network（RPN）来和检测网络共享整个图片的卷积网络特征，因此使得region proposal几乎是cost free的。RPN->预测物体边界（o原创 2017-02-18 21:15:44 · 1712 阅读 · 0 评论 -
深度学习实践经验：用Faster R-CNN训练行人检测数据集Caltech——准备工作
前言Faster R-CNN是Ross Girshick大神在Fast R-CNN基础上提出的又一个更加快速、更高mAP的用于目标检测的深度学习框架，它对Fast R-CNN进行的最主要的优化就是在Region Proposal阶段，引入了Region Proposal Network (RPN)来进行Region Proposal，同时可以达到和检测网络共享整个图片的卷积网络特征的目标，使得reg原创 2017-02-18 21:16:35 · 19038 阅读 · 266 评论 -
深度学习实践经验：用Faster R-CNN训练Caltech数据集——修改读写接口
前言这部分主要讲如何修改Faster R-CNN的代码，来训练自己的数据集，首先确保你已经编译安装了py-faster-rcnn，并且准备好了数据集，具体可参考我上一篇文章。py-faster-rcnn文件结构caffe-fast-rcnn 这里是caffe框架目录，用来进行caffe编译安装data 用来存放pre trained模型，比如ImageNet上的，要训练的数据集以及读取文件的原创 2017-02-18 21:17:23 · 3743 阅读 · 3 评论 -
深度学习实践经验：用Faster R-CNN训练Caltech数据集——训练检测
前言前面已经介绍了如何准备数据集，以及如何修改数据集读写接口来操作数据集，接下来我来说明一下怎么来训练网络和之后的检测过程。修改模型文件faster rcnn有两种各种训练方式:Alternative training(alt-opt)Approximate joint training(end-to-end)两种方法有什么不同，可以参考我这篇博客，推荐使用第二种，因为第二种使用的显存更小，而原创 2017-02-18 21:18:00 · 7006 阅读 · 5 评论 -
深度学习论文笔记：YOLO
Abstract之前的物体检测的方法是使用分类器来进行检测。相反，本论文将对象检测作为空间分离的边界框和相关类概率的回归问题。本论文的YOLO模型能达到45fps的实时图像处理效果。Fast YOLO：小型的网络版本，可达到155fps。与目前的检测系统相比，YOLO会产生更多的定位错误，但是会更少的去在背景中产生false positive。IntroductionDPM: use原创 2017-02-18 21:20:36 · 4344 阅读 · 0 评论 -
深度学习论文笔记：YOLO9000
AbstractYOLO9000: a state-of-the-art, real-time 的目标检测系统，可以检测超过9000种的物体分类。本论文提出两个模型，YOLOv2和YOLO9000。YOLOv2： 是对YOLO改进后的提升模型。利用新颖的，多尺度训练的方法，YOLOv2模型可以在多种尺度上运行，在速度与准确性上更容易去trade off。YOLO9000： 是提出的一种原创 2017-02-18 21:21:18 · 1319 阅读 · 0 评论 -
深度学习论文笔记：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
Abstract现有的深卷积神经网络（CNN）需要固定尺寸（例如，224×224）的输入图像。新的网络结构，称为SPP-net，可以生成固定长度的表示，而不管图像大小/规模。使用SPP-net，我们从整个图像只计算一次特征图，然后在任意区域（子图像）中池特征以生成固定长度表示以训练检测器。INTRODUCTION在CNN的训练和测试中存在技术问题：普遍的CNN需要固定的输入图像大小（例如，原创 2017-02-18 21:12:33 · 1013 阅读 · 0 评论 -
行人检测论文笔记：Robust Real-Time Face Detection
知识点傅里叶变换的一个推论： 一个时域下的复杂信号函数可以分解成多个简单信号函数的和，然后对各个子信号函数做傅里叶变换并再次求和，就求出了原信号的傅里叶变换。卷积定理(Convolution Theorem)：信号f和信号g的卷积的傅里叶变换，等于f、g各自的傅里叶变换的积 整个过程的核心就是“（反转），移动，乘积，求和”二维卷积数学定义 二维卷积在图像处理中会经常遇到，图像处理中用到的原创 2017-02-18 21:04:16 · 2697 阅读 · 0 评论 -
行人检测论文笔记：Fast Feature Pyramids for Object Detection?
相关知识点Overcomplete Representations:Overcomplete：Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j)){\phi _{i}}_((i\in J\backslash {原创 2017-02-18 20:56:49 · 1477 阅读 · 0 评论 -
行人检测论文笔记：Fast Feature Pyramids for Object Detection?
相关知识点Overcomplete Representations:Overcomplete：Such a complete system is overcomplete if removal of a ϕj\phi _{j} from the system results in a system (i.e., ϕi((i∈J∖j))){\phi _{i}}_((i\in J\backslash原创 2017-02-18 20:26:29 · 3792 阅读 · 0 评论 -
深度学习论文笔记：SSD
知识点Jaccard overlap, Jaccard similarity: Jaccard coefficient: J(A,B)=|A∩B||A∪B| J(A,B)=\frac{|A\cap B|}{|A\cup B|} A,B分别代表符合某种条件的集合：两个集合交集的大小/两个集合并集的大小，交集=并集意味着2个集合完全重合。 所以Jaccard overlap其实就是I原创 2017-02-20 23:06:16 · 3549 阅读 · 0 评论