目标检测
文章平均质量分 95
小小小绿叶
这个作者很懒,什么都没留下…
展开
-
一文看懂DETR(二)
1.输入图像经过CNN的backbone获得32倍下采样的深度特征;2.将图片给拉直形成token,并添加位置编码送入encoder中;3.将encoder的输出以及Object Query作为decoder的输入得到解码特征;4.将解码后的特征传入FFN得到预测特征;5.根据预测特征计算cost matrix,并由匈牙利算法匹配GT,获得正负样本;6.根据正负样本计算分类与回归loss。原创 2023-08-31 19:55:56 · 503 阅读 · 0 评论 -
一文看懂DETR(一)
DETR是Meta AI研究院提出的CV通用框架,论文中将其应用于目标检测与全景分割。DETR舍弃了以往一阶段,二阶段检测模型的先验trick,比如anchor的设置,nms极大值抑制,也没有多尺度特征融合(由于Swin transformer在其后发表)以及复杂的数据增强,其整个pipeline简洁,直观,得到后人称赞并应用于cv各个task中。总结来说,DETR将目标检测任务(分类与回归)看作集合预测问题。原创 2023-08-31 09:24:01 · 981 阅读 · 0 评论 -
YOLO v8目标跟踪详细解读(二)
卡尔曼滤波(kalman Filtering)是一种利用线性系统状态方程,通过系统输入观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。卡尔曼滤波在测量方差已知的情况夏能够从一系列存在测量噪声的数据中,估计动态系统的状态。在目标跟踪中,将检测框的坐标看作观测数据,通过状态转移矩阵与状态协方差矩阵来更新下一帧的最优估计。原创 2023-08-14 17:06:20 · 1975 阅读 · 0 评论 -
YOLO v8目标跟踪详细解读(一)
目标跟踪现阶段是强烈依赖目标检测结果的,主流的目标跟踪pipeline,简单的总结一下:首先,目标检测模型输出的检测框是我们跟踪的对象。假设我们在第一帧确定了跟踪对象,即给定检测框id,那当检测模型输出第2帧检测结果,我们需要将第2帧的检测框与第1帧检测框的id进行匹配。那么匹配的过程是怎样的呢?有人说,直接用两帧检测框的IOU去匹配呗,将IOU看作cost_matrix,利用匈牙利算法去匹配两帧的id。原创 2023-08-11 14:36:40 · 9085 阅读 · 6 评论 -
一文看懂YOLO v3
论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf论文:YOLOv3: An Incremental ImprovementYOLO系列的目标检测算法可以说是目标检测史上的宏篇巨作,接下来我们来详细介绍一下YOLO v3算法内容,v3的算法是在v1和v2的基础上形成的,所以有必要先回忆: 一文看懂YOLO v2,一文看懂YOLO v2...原创 2019-03-31 09:58:05 · 308900 阅读 · 88 评论 -
目标检测label assignment:A Dual Weighting Label Assignment Scheme
在目标检测中,为了与NMS兼容,一个好的检测器应该能够预测具有较高分类得分和精确位置的box。然而,如果所有的训练样本都被同等处理,两个头部之间就会出现错位:类别得分最高的位置通常不是回归对象边界的最佳位置。这种失调会降低检测器的性能,特别是在高IoU指标下。soft label assignment是通过加权损失以软标签的方式处理训练样本,试图增强cls和reg头之间的一致性。原创 2023-04-03 14:33:54 · 634 阅读 · 1 评论 -
一文看懂YOLO v8
2023年,YOLO系列已经迭代到v8,v8与v5均出自U神,为了方便理解,我们将通过与v5对比来讲解v8。想了解v5的可以参考文章。原创 2023-01-30 20:56:00 · 18918 阅读 · 7 评论 -
Generalized Focal Loss(GFLv1)论文理解与代码分析
GFLv1是较早提出在训练和推理过程中,质量评估和分类不一致问题的论文。质量与分类往往被独立训练,(yolo输出中,有独立的一个维度用于目标的置信度评估,在训练时与分类解耦;fcos,atss则利用centerness作为质量评估,同样也与分类解耦),但在test过程中却被相乘联合使用。监督只分配给正样本,但有时候负样本可能会提供更高质量的监督,必然会存在一部分分数较低的“负样本”的质量预测是没有在训练过程中有监督信号的,有就是说对于大量可能的负样本,他们的质量预测是一个未定义行为。原创 2022-10-11 11:48:42 · 2569 阅读 · 2 评论