目标检测
JSerenity
这个作者很懒,什么都没留下…
展开
-
SSD目标检测
未完 待续及待完善SSD (Single Shot MultiBox Detector)这是一个one-stage的多框预测的方法。1 网络结构YOLO和Faster RCNN都是在检测的时候只用到了最高层的feature maps。ssd提取了不同尺度的特征图来做预测。在多个feature maps上同时进行softmax分类和位置回归。大尺度特征图(较靠前的特征图)可以用来检测...原创 2019-06-29 23:44:35 · 464 阅读 · 0 评论 -
YOLOv2学习笔记
YOLOv2YOLOv2比YOLOv1有着更高的准确度同时有着更快的速度。Betterbatch normalization: BN能够给模型收敛带来显著地提升,同时也消除了其他形式正则化的必要。作者在每层卷积层的后面加入BN后,在mAP上提升了2%。BN也有助于正则化模型。有了BN便可以去掉用dropout来避免模型过拟合的操作。BN层的添加直接将mAP硬拔了2个百分点,这一操作在yolo...原创 2019-06-29 23:44:17 · 325 阅读 · 0 评论 -
YOLOv1学习笔记
YOLOv1主要思想:把目标检测看成一个回归问题。靠一个卷积网络完成整个检测任务,实现端到端的目标检测。速度相当的快:YOLO:45FPS,Fast YOLO: 155FPS特点:定位错误比较严重,但是对于背景的预测鲁棒性比较强。比如在绘画中完成预测。与其他方法的简单比较:滑动窗口法: 一个框一个框的滑动并进行图像分类R-CNN:先生成预选框在这些预选框上进行图像分类然后再优化...原创 2019-06-29 23:44:25 · 285 阅读 · 0 评论 -
Faster-R-CNN学习笔记
Faster-R-CNN(未完成)网络架构首先预处理的图像先经过一组基础的卷积层生成feature map。Anchor Generation Layer这一层通过在每一个feature map的每个格子上生成不同尺度和纵横比的9个anchors,生成固定数量的anchors。大部分的bounding boxes不会包含前景目标,但有一些会。RPN的目的就是学会辨别这些boxes中好的...原创 2019-06-29 23:43:37 · 303 阅读 · 0 评论 -
YOLOv3学习笔记
YOLOv3YOLO v1学习笔记:https://blog.csdn.net/JSerenity/article/details/88598503YOLO v2学习笔记:https://blog.csdn.net/JSerenity/article/details/88672337Bounding box prediction & cost function calculation...原创 2019-06-29 23:44:06 · 375 阅读 · 0 评论 -
Focal Loss学习笔记
Facol Loss论文链接:https://arxiv.org/abs/1708.02002论文指出one-stage detector准确率低的原因是训练中foreground 和background类别数量的极大不均衡(1:1000)。Focal loss在标准交叉熵损失基础上修改得到。这个函数可以通过减少易分类样本的权重,使得模型在训练时更专注于难分类的样本。Cross Entro...原创 2019-06-29 23:43:27 · 402 阅读 · 0 评论 -
理解用于目标检测的FPN
Understanding Feature Pyramid Networks for object detection (FPN)本篇翻译仅供学习参考。严禁转载,严禁用于商业用途。检测不同尺度的物体是一项挑战,尤其是对小物体。我们可以使用不同比例的相同图像的金字塔来检测物体。然而,多尺度图像的处理是费时的,内存要求太高,无法同时进行端到端训练。因此,我们可能只在推理中使用它来尽可能地提高准确性...翻译 2019-06-21 00:50:23 · 626 阅读 · 0 评论 -
Two-Stage目标检测方法改进历史
Two-Stage目标检测方法改进历史滑动窗口用不同大小不同形状的窗口,使用不同的滑动距离,从左到右从上到下获得预选图像块。将预选图像块变形的到固定大小的图像块。将这些图像块送入卷积神经网络得到4096个特征值。然后通过SVM判别类别,通过线性回归得到目标框的坐标。Selective Search为了提高检测器的速度,一个很显而易见的方法就是减少图像块的数量。我们使用region prop...翻译 2019-06-21 00:49:50 · 241 阅读 · 0 评论