Task-Driven Super Resolution: Object Detection in Low-resolution Images

最新推荐文章于 2022-06-25 22:30:51 发布
最新推荐文章于 2022-06-25 22:30:51 发布
阅读量588 收藏
点赞数
分类专栏： 超分论文
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nuonuo_orz/article/details/97394837
版权

introduction

提出了一个能端到端训练，联和超分网络和其他high-level 视觉任务，叫Task-Driven Super Resolution (TDSR)

方法

超分使用DBPN，loss为MSE:
在这里插入图片描述
检测方法使用SSD，loss为confidence loss and localization loss
在这里插入图片描述
本文就是将超分和task网络串起来。。。
在这里插入图片描述
loss为在这里插入图片描述
也就是给超分loss和任务网络loss分别一个权重

实验

超分DBPN在DIV2k预训练，检测SSD在PASCAL VOC0712预训练，测试图片为VOC2007
在这里插入图片描述
输入为1/4和1/8图片，效果最好为a为1,B为0.01

nuonuo_orz
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
super-resolution-detection:端到端超分辨率物体检测网络
05-14
超分辨率检测 端到端超分辨率物体检测网络 楷模 进步 数据集VOC0712 培训：VOC12（17128图片） mAP测试：VOC07（4952张图像） DBPN：原始DBPN-4x模型（已预先训练DIV2K）。 用于第三列，并用作第四列的初始重量 固态硬盘300 mAP 300x300 HR 300x300 LR（75x75 Bicubic Upscale） 75x75 LR => DBPNx4 75x75 LR => SROD（4000个end-2-end iters） 76.99％ 48.65％ 39.84％ 41.42％ DBPN：重新训练（50个纪元/ VOC12）DBPN-4x模型（从DIV2K预训练开始）。 用于第三列，并用作第四列的初始重量 固态硬盘300 mAP 300x300 HR 300x300 LR（75x75 Bicubic Upscale
目标检测之Task-Driven Super Resolution: Object Detection in Low-resolution Images
qq_41950533的博客
02-23 704
0.摘要 目的是证明sr是否可以对低分辨率的目标检测任务做出贡献，这篇文章加入了用来计算sr过程中的检测损失。本文想要找来一个鲁棒性比较好的sr方法，可以广泛应用于低分辨率的目标检测中，并且证明其有效性。 1.病态的sr SR的最终目标仍然是按照人类视觉感知的标准尽可能地重建图像，但是人的感知和机器的感知不同。所以如果我们sr的目的是为了给机器使用，我们应该使用更迎合机器的sr方法而不是使用那些迎合肉眼的方法。低分辨率的图片是通过高分辨率图片下采样的方式获得，图b是1/8-size再填充黑色。 (d)和(
The Effects of Super-Resolution on Object Detection Performance in Satellite Imagery
weixin_36670529的博客
06-16 900
目录 摘要 1、简介 2、相关工作 2.1、超分辨率技术及其在高空成像中的应用 2.2、目标检测方法 3、数据集 3.1、光和传感器的模拟 4、超分技巧 5、目标检测技巧 6、度量 7、实验结果 7.1、超分性能 7.2、目标检测性能 8、结论 摘要 探讨了超分辨率技术在卫星图像中的应用，以及这些技术对目标检测算法性能的影响。具体来说，我们提高了卫星图像的固有分辨率............
Towards Precise Supervision of Feature Super-Resolution for Small Object Detection 阅读笔记
read, note and comment papers
02-27 746
Better to Follow, Follow to Be Better: Towards Precise Supervision of Feature Super-Resolution for Small Object Detection 文章针对2阶段的detection提出了一种对小面积ROI的feature进行SR的方法，并提出了对该SR进行监督的机制 首先是发现问题，问题在于，一张图...
event-driven.io:https
04-10
标题 "event-driven.io:https" 暗示了一个关于事件驱动架构（Event-Driven Architecture，EDA）的主题，可能是一个网站或者在线资源，专注于探讨如何在软件开发中利用事件驱动模式。事件驱动架构是一种设计模式，...
Domain-Driven Design –Tackling Complexity in the Heart of Software.pdf
05-09
The software development community widely acknowledges that domain modeling is central to software design. Through domain modeling, software developers are able to express rich functionality and ...
signac-driven-fbpic：fbpic PIC代码与signac框架的集成
02-10
fbpic + signac = :beating_heart: 粒子代码与数据管理框架的 。要求NVIDIA驱动程序版本> = 410.104 ffmpeg安装开发人员的安装说明可在找到。用法参见 。
Data-Driven-Methods:数据驱动方法
03-19
Amath-482-ZachZlepper 数据驱动方法项目1-使用傅立叶变换和去噪技术找到潜水艇的路径项目2-使用Gabor变换识别歌曲《 Comfortly Numb and Sweet Child O'Mine》中的乐器项目3-使用PCA识别弹簧的运动质量系统项目4-...
nestjs-events-driven-bus:NestJs模块，可在任何NestJs项目中使用RxJs轻松实现事件驱动的体系结构
04-12
Nestjs事件驱动总线模块简单，轻松，轻巧的程序包，用于使用React式编程（RxJs）在实现事件驱动总线 :rocket:用法1-安装软件包npm install nestjs-event-driven-bus# oryarn add nestjs-event-driven-bus2-导入...
【ICCV 2019】特征超分检测：Towards Precise Supervision of Feature Super-Resolution for Small Object Detection
梁瑛平的博客
06-25 853
作者提出了一种新的特征级超分辨率方法，利用适当的高分辨率目标特征作为监督信号训练的SR模型和匹配的相对感受野的训练对输入低分辨率特征和目标高分辨率特性，而且可以与任何基于特征池化的检测器集成。...
小物体检测的有监督特征级超分辨方法 | ICCV 2019 : Better to Follow, Follow to Be Better
weixin_43257313的博客
07-07 971
Better to Follow, Follow to Be Better: Towards Precise Supervision of FeatureSuper-Resolution for Small Object Detection 论文地址：http://vision.snu.ac.kr/project_pages/iccv19_noh/data/iccv19_noh.pdf 感受野： ARF、RRF、DRRF(1/2)，分别代表感受野的大小，感受野与原图像大小的比值，原始图像与将原始图像缩小一半
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
Object Detection[论文合集]
gdtop的个人笔记
04-06 3595
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Jump to... Papers R-CNN Fast R-CNN Faster R-CNN YOLO YOLOv2 ...
《Deep Reinforcement Learning framework for Autonomous Driving》翻译
weixin_44188264的博客
04-25 1444
《Deep Reinforcement Learning framework for Autonomous Driving》翻译 摘要 强化学习被认为是一种强大的人工智能范式，可以通过与环境的互动和从错误中学习来教机器。尽管它被认为是实用的，但它还没有成功地应用于汽车应用。基于Atari游戏学习的成功演示和Go by谷歌DeepMind，我们提出了一个使用深度强化学习的自主驾驶框架。这一点特别重要...
目标检测 cvpr iccv eccv最新进展，包含代码
xiao__run的博客
05-21 4795
object-detection Contents: R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 SSD DSSD FSSD ESSD MDSSD Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD Based on han...
目标检测-20种常用深度学习算法、原味代码汇总
Touch_Dream的博客
05-20 3566
目录· R-CNN· Fast R-CNN· Faster R-CNN· Light-Head R-CNN· Cascade R-CNN· SPP-Net· YOLO· YOLOv2· YOLOv3· SSD· DSSD· FSSD· ESSD· Pelee· R-FCN· FPN· RetinaNet· MegDet· DetNet· ZSDR-CNNRich feature hierarchi...
【文献阅读】在遥感图像中引入密度图导向的目标检测（C. Li等人，CVPR，2020）
QQ704630835的博客
07-16 2005
一、背景 文章题目：《Density Map Guided Object Detection in Aerial Images》 一篇目标检测的文章。 文献下载地址：https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Li_Density_Map_Guided_Object_Detection_in_Aerial_Images_CVPRW_2020_paper.pdf 文献引用格式：Changlin Li, Taojiannan Y
em算法 图像模糊检测_基于深度学习的图像增强调研
weixin_31062533的博客
12-06 745
目前，行业内绝大数企业能够做到再正常天气状态下的自动驾驶，但是对于恶劣天气环境，很多企业其实还有很多难题。合理轨迹不同感知传感器的瓶颈，冗余设计都是解决方案。对于夜间的图像识别应该怎么处理呢？先通过一个分类器，判别属于白天还是黑夜，然后如果判别为黑夜，或许能先经过图像增强，然后才进行下一步检测识别等流程。在计算机视觉应用（例如，物体检测和跟踪）和消费电子（例如，手持设备）中都需要高质量的图像和视频...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值