![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 93
cartes1us
qq 2803134162
展开
-
目标检测R-CNN系列简要总结(RCNN, FastRCNN, FasterRCNN)
R-CNN:Region with CNN feature内容总结于 b站霹雳吧啦Wz博主,讲的很好,这里做简要总结。原创 2022-04-30 01:45:49 · 1069 阅读 · 0 评论 -
MindSpore-TOOD实现:模型权重迁移推理对齐实录
mindspore实现单阶段目标检测模型TOOD原创 2023-06-23 00:27:55 · 787 阅读 · 0 评论 -
MindSpore-FCOS模型权重迁移推理对齐实录
pytorch FCOS迁移到mindspore经验实录原创 2023-06-22 00:35:10 · 629 阅读 · 0 评论 -
人脸检测:经典的VJ人脸检测器(类Harr特征,积分图加速法,级联的Adaboost强分类器)
著名的VJ人脸检测算法就是一种基于Adaboost分类器的方法。该检测器由Paul Viola和Michael Jones在2001年的提出。在当年的硬件条件下VJ算法可以达到每秒15帧图像的处理速度,是人脸检测技术发展的一个里程碑。虽然性能跟现在基于深度学习的方法没法比,但肯定也是值得去拜读的。原创 2022-10-25 17:21:40 · 2809 阅读 · 0 评论 -
目标检测:Generalized Focal Loss V2(CVPR2020)
在v2中,作者基于v1中回归任务的离散概率分布估计,对回归任务进行质量评估,以帮助NMS时保留到回归质量最好的边界框。其直观的原理是这样的:估计的离散概率分布越平滑,那不确定性越高,网络对得到的框的质量是表示怀疑的,概率分布越尖锐,表示确定性很高,网络很笃定回归得到的边界框。原创 2022-08-25 16:28:55 · 949 阅读 · 0 评论 -
目标检测:cocoeval中的evaluateImg,accumulate函数解析
coco数据集的评价指标的计算还是比较复杂的,代码写的也比较凝炼,最近要计算目标检测的混淆矩阵,我看mmdet的计算方式比较奇怪,本着P和R等计算方法要与coco官方对齐的目的,特地写此笔记对coco官方的计算方式进行深入理解。coco计算不同map有很多变量:iou阈值,目标的面积范围,最大检测框数量等。coco首先使用cocoEval.evaluate() 函数进行匹配计算,然后使用cocoEval.accumulate()函数进行结果的累加。原创 2022-08-24 16:48:28 · 2505 阅读 · 3 评论 -
目标检测:VarifocalNet: An IoU-aware Dense Object Detector(CVPR2021)
文章的动机与GFL类似,都是基于目标检测中 分类与定位 的相关性低,低分类得分数但高定位精度的预测框可能会被nms掉这一问题。本文试图统一分类得分与回归质量,并设计了更强的bbox表达方式和优化方法。......原创 2022-08-17 22:35:26 · 1157 阅读 · 0 评论 -
目标检测:Generalized Focal Loss(NIPS2020)
论文要解决单阶段目标检测中的两个问题: 1. 训练和推理时定位质量评估与分类分数是非一致的。2. 边界框的表征是不够灵活的原创 2022-08-16 15:48:03 · 3840 阅读 · 0 评论 -
目标检测中的BBox 回归损失函数-L2,smooth L1,IoU,GIoU,DIoU,CIoU,Focal-EIoU,Alpha-IoU,SIoU
目标检测的两个任务,分类和位置回归,本帖将经典的位置回归损失函数总结如下,按发表时间顺序。L1最低点是不可导的,所以势必不会收敛到最低点,可能会在最优解附近震荡。而L2损失容易在离群点产生梯度爆炸的问题。smooth L1则集两者的优点于一身。提出IoU loss的论文:不论是L2还是smooth L1 loss都没有考虑到四个点的关联性和尺度不变性,这个是比较致命的缺点,当两对预测框与GT框的IoU相同时,尺度更大那一对loss会更高,或者如下图,用左下角和......原创 2022-07-04 17:21:50 · 2542 阅读 · 0 评论 -
目标检测中的损失函数与正负样本分配:RetinaNet与Focal loss
在目标检测领域,单阶段算法精度第一次超过双阶段,就是RetinaNet。原创 2022-07-02 16:22:23 · 1250 阅读 · 0 评论 -
目标检测中的损失函数与正负样本分配:YOLO v1, v2, v3,v3-spp-ultralytics
目标检测算法最难理解的,设计最复杂的就是正负样本分配和损失函数这块了,这两者将很大程度决定网络的训练效果,因此开帖对yolo系列做一总结,重点也在这两者,吸收他人优秀博客内容,进行整理。.........原创 2022-07-02 10:09:46 · 3367 阅读 · 1 评论