论文阅读
爱吃糖的茄子
就让这风,听从吾之力吧!
展开
-
ImageNet Classification with Deep Convolutional Neural Networks(Alexnet)
ImageNet Classification with Deep Convolutional Neural Networks(Alexnet)1.创新的地方(1)使用ReLu函数作为CNN的激活函数(2)使用dropout防止过拟合(3)使用重叠最大池化(4)提出了LRN层2.摘要#(1)提出了一个深度卷积网络,在ImageNet LSVRC2010,top1和top5错误分别是3...原创 2019-02-26 10:26:11 · 1185 阅读 · 0 评论 -
[论文阅读]Focal Loss for Dense Object Detection
概括作者认为之所以单步骤检测算法精度上比不过双步骤检测算法,主要原因是训练过程中的正负样本不均衡导致,并提出了focal loss来解决类别不均衡问题分析双步骤检测算法中的类别不均衡类别不均衡问题可以在双步骤检测算法中得到解决,在提议阶段(例如选择性搜索,RPN)迅速将候选对象位置缩小到较小的数量(例如,1~2k).在第二个分类阶段,采样启发式算法,例如固定的前景 - 背景比(1:3),或...原创 2019-03-11 22:56:10 · 170 阅读 · 0 评论 -
[论文阅读]Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
分析目标检测中,边界框回归是很重要的一个组成部分,判断一个边界框回归好坏,一般通过IOU来体现。优化回归损失与优化IOU之间存在差距分析一然而在当前检测算法中,并不是直接优化IOU,而是将IOU decode成(x,y,w,h)或者边界框的两个角点(x1,y1,x2,y2)(x_1,y_1,x_2,y_2)(x1,y1,x2,y2),对这几个值进行回归,从而优化IOU,然后实际上这...原创 2019-03-16 22:37:16 · 535 阅读 · 0 评论 -
目标检测系相关论文阅读
基于优化的算法1.泛读(CVPR 2019)GIOU Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regressionhttps://blog.csdn.net/qq_25800609/article/details/88607684基于优化损失函数的1.泛读(ICCV2017)focal...原创 2019-03-17 22:08:57 · 240 阅读 · 0 评论 -
目标检测trick实验和代码解析(基于yolov3)
focal loss实验结果不work,分析中……代码解析参考:https://github.com/fizyr/keras-retinanet/blob/master/keras_retinanet/losses.py发现α\alphaα分配给正负样本的不一样,一直以为α\alphaα是为了调节置信度损失和其他损失(比如回归损失)的比例的,果然看懂论文和看懂代码是两件不相干的事情关...原创 2019-03-29 18:32:07 · 517 阅读 · 1 评论 -
[论文阅读]:Improving Object Detection With One Line of Code
soft nms在目标检测中,非极大值抑制是重要的组成部分,然而它存在一个问题:他会把相邻的边界框iou大于一定阈值的直接置成0,所以可能会导致丢框现象出现,会降低评测指标。论文提出的方法,是会降低和M iou大于一定阈值的score,还是会在rank list里,并不是直接删除A major issue with non-maxinmum suppresion is that it set...原创 2019-04-02 14:00:54 · 305 阅读 · 0 评论 -
[论文阅读]DenseBox: Unifying Landmark Localization with End to End Object Detection
文章目录contributionDenseBox for Detectionground truth生成contribution(1)使用全卷积网络进行目标检测任务,并可以准确有效的检测多个对象(2)多任务学习中使用landmark localization会进一步提高目标检测准确性DenseBox for Detection测试时,系统将图像(m*n)作为输出,输出m/4 * n/4 ...原创 2019-04-25 20:14:08 · 638 阅读 · 0 评论 -
[论文阅读]:MobileNet系列
文章目录V1标准卷积深度可分离卷积网络结构代码参考V1MobileNet是基于深度可分离卷积的。通俗的来说,深度可分离卷积干的活是:把标准卷积分解成深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)。这么做的好处是可以大幅度降低参数量和计算量。分解过程示意图如下标准卷积采用的标准卷积K为(DK,DK,M,N)(D_K,D_K,M...原创 2019-04-23 15:48:56 · 195 阅读 · 0 评论