目标检测
我们不仅要用算法判断图片中是不是一辆汽车, 还要在图片中标记出它的位置, 用边框或红色方框把汽车圈起来, 这就是目标检测问题
灯会_hust
I am a graduate student in pattern recognition.My research interests are in computer vision and deep learning.
展开
-
目标检测资源汇总--持续更新
①实战项目 支持剪枝、量化和知识蒸馏的YOLOV3【特性】1、提供多个主流目标检测数据集的预处理后文件及训练方法。2、提供包括剪枝,量化,知识蒸馏的主流模型压缩算法实现。3、提供多backbone训练目前包括Darknet-YOLOv3,Tiny-YOLOv3,Mobilenetv3-YOLOv3。【目前支持功能】正常训练tiny训练mobilenetv3训练Dior数据集训练...原创 2020-04-05 14:37:05 · 4357 阅读 · 4 评论 -
(十三)FSAF----2019CVPR论文解读
Feature Selective Anchor-Free Module for Single-Shot Object Detection用于单发物体检测的功能选择免锚模块图1:在相同的训练和测试规模下,使用强大的ResNeXt-101的基于锚的RetinaNet [22](左)和使用ResNet-50的带有FSAF模块的检测器的定性结果(仅右图)。我们的FSAF模块可通过功能较弱的骨干网...原创 2020-02-06 14:31:06 · 2446 阅读 · 1 评论 -
(十二)GA-RPN----2019CVPR论文解读
Region Proposal by Guided Anchoring指导性锚定的区域提案Abstract区域锚点是现代对象检测技术的基石。最先进的探测器主要依靠密集的锚定方案,在该方案中,使用一组预定义的比例尺和纵横比在空间域上均匀地对锚定进行采样。在本文中,我们将回顾这个基础阶段。我们的研究表明,可以更有效地完成此任务。具体而言,我们提出了一种名为“引导锚定”的替代方案,该方案利用语义特...原创 2020-02-06 01:03:51 · 4637 阅读 · 0 评论 -
(十一)Cascade R-CNN----2018CVPR论文解读
Cascade R-CNN: Delving into High Quality Object Detection级联R-CNN:致力于高质量目标检测Abstract在对象检测中,需要定义联合正负(IoU)阈值。以低IoU阈值训练的物体检测器,例如0.5,通常会产生噪声检测。但是,**随着IoU阈值的增加,检测性能趋于下降。**造成此问题的主要原因有两个:**1)在训练期间因正样本呈指数消失...原创 2020-02-04 23:13:03 · 1287 阅读 · 0 评论 -
(十)RefineDet----2018CVPR论文解读
Single-Shot Refinement Neural Network for Object Detection用于目标检测的单发细化神经网络Abstract对于物体检测,两阶段方法(例如,更快的R-CNN)已经实现了最高的准确度,而一阶段方法(例如,SSD)具有高效率的优点。为了继承两者的优点同时克服它们的缺点,在本文中,我们提出了一种新颖的基于单发的检测器,称为RefineDet,该...原创 2020-02-03 22:53:11 · 1151 阅读 · 0 评论 -
(九)YOLOv3----2018CVPR论文解读
YOLOv3: An Incremental ImprovementYOLOv3:增量改进Abstract我们向YOLO提供一些更新! 我们做了一些小的设计更改以使其更好。 我们还培训了这个相当庞大的新网络。 比上次要大一点,但更准确。 不过速度还是很快的,请放心。 YOLOv3在320×320的条件下以28.2 mAP的速度运行22 ms,与SSD一样精确,但速度快了三倍。 当我们查看旧的...原创 2020-02-02 23:39:34 · 3554 阅读 · 1 评论 -
(八)Mask Rcnn----2017ICCV论文解读
Mask R-CNNAbstract我们为对象实例分割提供了一个概念上简单,灵活且通用的框架。我们的方法有效地检测图像中的对象,同时为每个实例生成高质量的分割蒙版。**该方法称为“Mask R-CNN”,它通过与现有的用于边界框识别的分支并行添加一个用于预测对象遮罩的分支,从而扩展了Faster R-CNN。**掩码R-CNN易于训练,并且以5 fps的速度运行时,对Faster R-CNN的...原创 2020-01-31 17:17:36 · 1195 阅读 · 0 评论 -
(七)FPN----2017CVPR论文解读
Feature Pyramid Networks for Object Detection用于目标检测的特征金字塔网络Abstract特征金字塔是识别系统中用于检测不同比例物体的基本组件。但是最近的深度学习对象检测器避免了金字塔表示,部分原因是它们需要大量计算和内存。在本文中,我们利用深层卷积网络固有的多尺度,金字塔层次结构来构建具有边际额外成本的特征金字塔。**开发了具有横向连接的自上而下...原创 2020-01-30 00:28:23 · 3040 阅读 · 0 评论 -
(六)YOLOv2----2017CVPR论文解读
YOLO9000:Better, Faster, StrongerYOLO9000:更好,更快,更强大Abstract我们介绍了YOLO9000,这是一种先进的实时对象检测系统,可以检测9000多个对象类别。首先,我们建议对YOLO检测方法进行各种改进,无论是新颖的还是从以前的工作中得出的。改进的模型YOLOv2在标准检测任务(例如P ASCAL VOC和COCO)方面是最新的。使用新颖的,...原创 2020-01-28 21:21:44 · 735 阅读 · 0 评论 -
(五)SSD----2016ECCV论文解读
SSD: Single Shot MultiBox Detector摘要我们提出了一种使用单个深层神经网络检测图像中对象的方法。我们的方法,名为SSD,将边界框的输出空间离散化为一组默认框,该默认框在每个特征图位置有不同的宽高比和尺寸。在预测期间,网络针对每个默认框中的每个存在对象类别生成分数,并且对框进行调整以更好地匹配对象形状。另外,网络组合来自具有不同分辨率的多个特征图的预测,以适应处理...原创 2020-01-28 00:04:06 · 1037 阅读 · 0 评论 -
(四)YOLO_v1----2016CVPR论文解读
You Only Look Once:Unified, Real-Time Object Detection您只需查看一次:统一的实时对象检测Abstract我们提出了YOLO,一种新的物体检测方法。对物体检测的先进工作重新利用分类器进行检测。相反,我们将对象检测作为回归问题构建到空间上分离的边界框和相关的类概率。单个神经网络在一次评估中直接从完整图像预测边界框和类概率。由于整个检测流水线是...原创 2020-01-14 17:34:27 · 2408 阅读 · 0 评论 -
(三)OHEM----2016CVPR论文解读
它主要是为了挖掘在极度样本不平衡(负远大于正)的情况的困难样本,也就是那些loss大的样本(正)。我现在就是遇到这种情况,背景样本太多,缺陷样本太小,导致即使训练的很好,也会出现漏报现象。所以,我要在线挖掘出那些漏报的样本,让其再训练,这就是OHEM的本质Training Region-based Object Detectors with Online Hard Example Mining...原创 2020-01-05 12:00:43 · 792 阅读 · 0 评论 -
(二)Faster-RCNN--NIPS2015论文解读
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的R-CNN:利用区域提案网络实现实时目标检测摘要最先进的目标检测网络依赖于区域建议算法来假设对象位置。像SPPnet [1]和Fast R-CNN[2]这样的进展减少了这些检测网络的运行时间,暴露了区域建议计算作为瓶颈。在这项工作中...原创 2020-01-04 22:39:00 · 1727 阅读 · 1 评论 -
(一)Fast R-CNN论文理解---ICCV2015
Abstract本文提出了一种基于快速区域的卷积网络方法(Fast R-CNN)用于目标检测。 快速R-CNN建立在先前的工作基础上,以使用深度卷积网络有效地对对象提议进行分类。与之前的工作相比,Fast R-CNN采用了多项创新来提高训练和测试速度,同时提高了检测精度。 快速R-CNN训练深VGG16网络比R-CNN快9倍,在测试时间快213倍,并在PASCAL VOC 2012上实现更高的m...原创 2020-01-04 21:35:47 · 646 阅读 · 0 评论