![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Object Detection
文章平均质量分 80
傷心太平洋
这个作者很懒,什么都没留下…
展开
-
[論文筆記] SSD (未完成)
SSD 設計 Multi-scale feature maps for detection 在骨幹後方,加了許多的卷積層 使用多種尺度的特徵圖(共6種),進行預測 Convolutional predictors for detection 在前面提到的多種尺度特徵圖,再經過 3x3 卷積運算後,得到該尺度下的檢測輸出 Default boxes and aspect ratios 這些 default boxes 與 Faster RCNN 中的 anchor 類似,差別在於 SSD 中原创 2022-02-27 16:30:31 · 2345 阅读 · 0 评论 -
[論文筆記] YOLOv3 (未完成)
優化點 損失計算 YOLOv1中,只有預測值與 Ground-true 之間IoU 最大的 Anchor 算是樣本 這樣的問題是,若兩個 anchor 剛好都良好預測了同個物件的位置,但因為 IoU 最大只會有一個,導致兩個anchor 在計算損失時 ground-true 完全不同 YOLOv3 中,新增了一類不計算損失的 anchor,所以共有三類 anchor : Positive: 與物件 IoU 最大的 anchor 不計算損失 : 不是 positive,但與物件 IoU ...原创 2022-02-27 01:13:47 · 103 阅读 · 0 评论 -
[論文筆記] YOLOv2 (未完成)
YOLOv1 的不足 相較於 Fast R-CNN ,有較多的定位錯誤 (localization errors) 召回率比其他 Region proposal-based 的方法低 檢測器無法有效利用圖像分類數據集來增加可檢測的類別 YOLOv2 中使用的優化點 Batch Normalization BN 可以加速模型收斂,減少其他 regularization 的使用 使用後 mAP 增加了 2% ,而且不再需要Dropout 來避免 overfitting High Resoluti..原创 2022-02-26 16:37:48 · 1231 阅读 · 0 评论 -
[論文筆記] YOLO (未完成)
在當時較新的目標檢測算法中,R-CNN 算是速度快表現又好的方法。但是仍存在幾個缺點 : 無法被端到端的訓練 仍然無法實時計算 本論文提出的 YOLO 不但可以被端到端的訓練,也能夠實時運算 (45 FPS on Titan X)。 YOLO設計 目標檢測流程 輸入圖像被分成 S x S 個網格(grid) 每個網格負責預測中心點落自己裡面的物件 每個網格會預測以下這些東西: B 個物件框信息,每個物件框都包含: x, y: 物件中心的位置 (相對於網格左上角點,並且使用網格大...原创 2022-02-26 00:15:32 · 230 阅读 · 0 评论 -
[論文筆記] Faster R-CNN(未完成)
完整的目標檢測架構 主要有以下幾個步驟: 1. 預測候選區域 (Region proposals) 使用 CNN 抽取圖像特徵 網絡尾部根據抽取的特徵,預測候選區域的位置 其實就是Fast RCNN 的第一、二步驟,透過一個CNN全部包辦 2. 取出候選區域的特徵 根據 region proposal 的位置,在 CNN 輸出的特徵圖上找到對應的區塊 將該區塊的特徵,輸入 RoI pooling layer + FC layer 後,得到固定長度的特徵向量 3. 輸出分類與回歸結果 候選原创 2022-02-23 21:13:55 · 169 阅读 · 0 评论 -
[論文筆記] Fast R-CNN(未完成)
完整的目標檢測架構 1. 抽取圖像中多個候選區域 這個部份負責從圖像中,找出可能是物件的候選區域 (region propos) Fast R-CNN 並不包含這一部分 2. 抽取整張圖像的特徵 使用 CNN + Max pooling 抽取特徵 3. 取出候選區域的特徵 根據 region proposal 的位置,在 CNN 輸出的特徵圖上找到對應的區塊 將該區塊的特徵,輸入 RoI pooling layer + FC layer 後,得到固定長度的特徵向量 4. 輸出分類與回歸結..原创 2022-02-22 23:29:40 · 55 阅读 · 0 评论 -
[論文筆記] R-CNN
目录 RCNN 的架構 相較於過去其他算法的優點 訓練過程 其他部分 參考文獻 完整的目標檢測架構 主要由以下幾個部分組成: 1. 抽取圖像中多個候選區域 這個部份負責從圖像中,找出可能是物件的候選區域 (region propos) RCNN中採用了 selective search 來計算候選區域 2. 抽取候選區域特徵 前面抽取出來的候選區域圖像,會經過預處理成固定尺寸 預處理的過程,會將候選區域向外擴張一點、剪裁 (cropping)、最後 warp 成 227x22原创 2022-02-22 23:27:19 · 58 阅读 · 0 评论