2D目标检测小结

最新推荐文章于 2024-07-14 19:50:34 发布
最新推荐文章于 2024-07-14 19:50:34 发布
阅读量1.7k 收藏 6
点赞数
分类专栏： detection
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/qq_29766287/article/details/81201597
版权
本文总结了2D目标检测中的速度提升和精度提高策略。在速度方面，one stage算法如SSDLite、Pelee通过轻量级网络加快检测速度，two stage算法通过R-FCN、Light Head RCNN优化结构。轻量级backbone如MobileNet、SqueezeDet也对提速有贡献。深度压缩技术如剪枝、量化也能加速模型。对于提高精度，增大输入尺寸、使用专门设计的backbone如DetNet、应用multi-scale技术和优化候选框质量、数据增强以及训练手段如Focal Loss和多尺度训练都是有效方法。
摘要由CSDN通过智能技术生成

看了一些文章了，在这里做一些小结，不然会忘记。

提速

  • 检测框架
    one stage的检测算法，相比two stage省去了候选框的获取阶段，直接回归坐标和分类结果，从结构上来看，相当于two stage中多分类的RPN，相比two stage的检测速度提升明显，但是精度通常不如two stage。而one stage的框架也在不断改进，关于提速的改进一般是利用设计好的快速的卷积结构，进行适当的加速，例如ssdlite，pelee等，对检测框架没有做出多大的改动。
    two stage的检测算法，相比one stage一般是准而慢，因为ROI-wise部分的计算量过大，所以two stage对速度的改进会从结构上入手，R-FCN就是在faster RCNN的基础上，设计位置敏感ROI pooling，降低了head计算量；Light Head RCNN又在R-FCN的基础上进一步降低计算量，进一步加速。

  • backbone
    这个对速度的影响特别明显，要是有速度快精度高的backbone谁不喜欢呢。
    Light Head RCNN中将backbone从resnet101变成xception设计的轻量级网络后，速度提升惊人。
    还有MobileNet v2，PeleeNet在ssd中的应用，也明显提速了，但是精度较原来的vgg也下降了。
    squeezedet中的backbone是squeezenet，一种结构比较简单的轻量级网络。
    yolo系列中用的darknet19是仿googlenet结构，darknet53又引入了resnet的残差结构，tiny-yolo也是将backbon

最低0.47元/天 解锁文章
Z_No
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch深度学习实战（44）——基于 DETR 实现目标检测
盼小辉丶的博客
06-04 2522
基于 DETR 的目标检测模型是将 Transformer 网络引入目标检测任务中，与传统的基于区域提议的检测方法有所不同。DETR 模型的核心思想是将目标检测问题转化为集合预测问题，通过将图像中的所有位置视为一个集合，并通过 Transformer 完成对整个集合的编码和解码过程，从而在单个前向传递中直接预测出目标的类别和边界框。在本节中，我们将学习 transformer 和 DETR 的原理，并使用 PyTorch 实现 DETR 以执行目标检测任务。
OpenCV实战（32）——使用SVM和定向梯度直方图执行目标检测
盼小辉丶的博客
09-14 6557
本节中，我们将介绍机器学习方法支持向量机 (Support Vector Machine, SVM)，它可以根据训练数据得到准确的二分类分类器，它已被广泛用于解决许多计算机视觉问题。该分类器可以通过使用数学公式表达，该公式可以用于在高维空间中查看数据集的几何结构。此外，我们还将介绍一种新的图像表示，该表示通常与 SVM 结合使用以获取鲁棒性对象检测器。
关于2D测量
Sunny_love_you的博客
09-16 1354
转载的： 视觉进阶：2D Metrology（二维计量）二维计量功能简单的说就是找几种几何形状 ，包括：圆形，椭圆形，矩形和线条 例如，从图一中找到3个圆和一个矩形。（图1） （图2） 引用一下官方的一段说明：C#二维计量的基本原理 通常，对于2D度量，必须提供要测量的对象的位置，方向和几何形状的近似值。 在显示对象的图像内，这些近似对象的边界用于定位对象的真实边缘以适应几何形状的参数， 使得它们最佳地适合图像数据。 测量结果是优化的参数。计量模型用于存储所有必要的信息， 例如计量对象的位置和几何形状的初始
目标检测之YOLO系列
踏雪博客
12-18 837
YOLO 整体结构 源码 def _build_net(self): """build the network""" if self.verbose: print("Start to build the network ...")
自动驾驶-2D目标检测
最新发布
dc爱傲雪和技术
07-14 692
yolo及yolo的变体anchor boxes (锚框)intersection over union 并集交集用于计算两个边界框的差异程度bounding box predictions 边界框预测non maximum suppression非极大值抑制为了分离这些边界框并为每个对象获得单个边界框，我们使用IOU。这种获取单个边界框并分离不同边界框的技术称为非极大值抑制。分别对这些边界框应用非最大抑制。
第四章 2D 图形测试平台
白菊花瓣的博客
10-03 367
第四章 2D 图形测试平台 使用 2D测试平台 在书的官网 cgpp.net 提供了 2D 图形测试平台，我们只需要下载其源码，然后根据需要，将里面的东西放入到自己的 WPF 项目中即可。 割角 打开在官网下载的文件，找到 Subdiv 文件夹，打开里面的 vs项目，并生成 exe 文件。可以先运行一下，体验一下： 打开项目，查看 Windowl.xaml 代码，找到 Subdivide 和 Clear 按钮的代码： 这两个按钮分别绑定了 b1Click、b2Click 这两个事件，当点击按钮时，事
2D目标检测的重点
weixin_43489950的博客
05-28 991
1.Hourglass 本文使用全卷积神经网络，对给定的单张RGB图像，输出人体关键点的精确像素位置，使用多尺度特征，捕捉人体各关节点的空间位置信息。网络结构形似沙漏状，重复使用top-down到bottom-up来推断人体的关节点位置。每一个top-down到bottom-up的结构都是一个stacked hourglass模块 中继结构进行loss监督 2.HRNet 们提出了一种新的架构，即高分辨率网络(HRNet)，它能够在整个过程中维护高分辨率的表示。我们从高分辨率子网作为第一阶段始，逐步增加
无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现
热门推荐
AdamShan的博客
10-30 4万+
无人驾驶汽车系统入门（二十六）——基于深度学习的实时激光雷达点云目标检测及ROS实现 在前两篇文章中，我们使用PCL实现了在点云中对地面的过滤和点云的分割聚类，通常来说，在这两步以后我们将对分割出来的对象进行特征提取，紧接着我们训练一个分类器实现对这些对象的分类，这是一种基于激光雷达的目标检测方法。近年来，随着深度学习在图像视觉领域的发展，一类基于单纯的深度学习模型的点云目标检测方法被提出和应用...
手把手教你如何自制目标检测框架（从理论到实现）
`or 1 or 不正经の泡泡
08-01 3327
好久没有冒泡了，是时候来波大的了，也是由于特殊需求，不得不重启关于目标检测的一些内容。既然如此，那么刚好把以前要做的yolo目标检测相关的代码进行复现，并且好好把这个目标检测说清楚一点儿。此外本文基于Pytorch进行编写，有空后期tensorflow也可以试试。GitHub水项目之快速上手YOLOV5YOLOV5参数设定与模型训练的坑点一二三YOLOV1论文小整理嘿~全流程带你基于Pytorch手撸图片分类“框架“–HuClassify那么本文两个目标一.理论搞清楚什么是目标检测。......
目标检测YOLO实战应用案例100讲-基于点云的三维多目标检测算法研究
qq_36130719的博客
05-15 1777
态物体的三维检测，但是激光雷达产生的点云（Point Cloud）只有位置信息，细节信。抗干扰能力非常强，但是因为毫米波雷达发射的波束量有限，导致接受的信号量很少，其中，相机可以提供车身周围丰富的色彩信息，帮助感知系统更好的辨。别物体，准确识别车道线、红绿灯等交通标志，但是相机缺少距离信息，无法准确估。计物体到车身的距离，还容易受到强光的影响。的物理特性，容易受到雨、雪、雾等天气的影响，导致接收的回波数据不稳定。分辨率低，不能用于物体的检测，噪声严重，容易误检，通常安装在车头用于紧急避。
【论文阅读】2d目标检测：综述
hgj1h的博客
02-16 2762
最近在恶补2d目标检测的文章，把他们整理了一下，写一下综述，方便以后查看。 写得比较简略，主要是自己对于 一些网络的理解。
两种2D相交性测试场景的优化技巧
dizuo的专栏
04-05 1876
1. 点和多边形相交线测试优化：通过细分part粒度实现加速。 2. 文字相交线测试优化，OOBB并不一定最优 计算量十分大，将每个字单独做成AABB。
机器学习算法评估指标——2D目标检测
格物钛智能科技作为非结构化数据赋能专家，为企业及AI开发者提供全新的智能时代数据管理方案，以数据引擎为核心技术，打造下一代数据平台，解决非结构化数据难发现、难管理、难利用等痛点，帮助企业筑牢新基建底层，实现海量复杂数据的灵活存取用，助推AI工程化和数据资产
05-18 3152
目标检测是计算机视觉领域的传统任务，需要识别出图像上存在的物体，给出对应的类别，并将该物体的位置通过最小包围框（Bounding box）的方式给出。下面介绍2D目标检测任务的常用评价指标。 IoU（Intersection over Union） 定义：交并比，两个矩形框交集的面积与并集的面积之比 范围：0~100% 用途：判断两个矩形框的重叠程度，值越高则重叠程度越高，即两个框越靠近 IoU 和Overlap Rate定义是完全相同的，只不过在检测任务中常写作IoU，在跟踪任务中常...
ROS 教程4 机器人视觉识别控制 OpenCV OpenNI2 PCL 2D 3D目标检测 目标跟踪object tracking人体跟踪person followin
万有文的博客
12-08 8784
机器人视觉 一、准备工作 1、开源库： OpenCV, 二维图像处理和机器学习 OpenNI2 +OpenKinect(freenect), 深度传感器(MicrosoftKinect and Asus Xtion Pro)驱动和处理库 PCL. 点云库 处...
Semantic Segmentation --Improve Semantic Segmentation by Global Convolutional Network（GCN）论文解读
DFan的NoteBook
12-25 8139
Large Kernel Matters —— GCN论文全称：Large Kernel Matters——Improve Semantic Segmentation by Global Convolutional Network作者栏里面有熟悉的Face++的Jian Sun~原文地址：Large Kernel Matters —— GCN实现代码: PyTorch Abstract在现有的模型架
【论文阅读】【2D Backbone】轻量化网络三连击
麒麒哈尔的博客
02-20 590
文章目录SqueezeNetMobileNetv1 SqueezeNet 论文：SQUEEZENET: ALEXNET-LEVEL ACCURACY WITH 50X FEWER PARAMETERS AND <0.5MB MODEL SIZE 论文的目的在于在保证模型精度的情况下，尽量减少模型的参数。本文在此目的下提出了3条设计策略： 1）用1x1的卷积核代替3x3的卷积核 2）输入到3x3卷积层的feature map的通道数，从而减少3x3卷积层的参数量 3）在网络中推迟downsampling
Pointpillars（一）模型结构
u013952812的专栏
07-15 1577
pointpillars模型结构解析
2D目标检测/图像分割算法总结
qq_50730800的博客
11-06 451
2d目标检测常见算法
kitti数据集2d目标检测下载
07-15
### 回答1： 要下载Kitti数据集的2D目标检测数据，可以按照以下步骤进行操作： 1. 打开Kitti数据集的官方网站，网址为https://www.cvlibs.net/datasets/kitti/ 2. 在网站的菜单中选择"Downoad"选项，然后点击"2D object detection"。 3. 这将进入到2D目标检测数据的下载页面，在下载页面中选择"Training labels of object data set"，点击下载链接。 4. 下载的文件将是一个压缩文件，解压缩后将得到一个文件夹。文件夹中包含训练数据集的标签文件。 5. 如果需要下载测试数据集的标签文件，可以在下载页面中选择"Testing labels of object data set"，点击下载链接。 6. 同样，下载的文件将是一个压缩文件，解压缩后将得到另一个文件夹。文件夹中包含测试数据集的标签文件。 7. 获取了标签文件后，可以通过解析这些文件来获取相应图像的边界框和类别信息，以进行2D目标检测的训练和测试。 需要注意的是，Kitti数据集的2D目标检测数据较大，下载过程可能会较为耗时。此外，还可以根据个人需求下载其他相关的数据，如3D目标检测数据或语义分割数据。 ### 回答2： kitti数据集可以用于自动驾驶和计算机视觉研究，其中包含了大量的2D目标检测数据。以下是关于kitti数据集2D目标检测的下载方法： 1. 登录kitti数据集官方网站。（例如kitti.iai.kit.edu） 2. 寻找下载页面或数据集页面，并浏览其中的内容。通常该页面会提供有关数据集的详细信息和下载链接。 3. 确认你需要下载的数据集版本和类别（2D目标检测）。 4. 在下载页面上找到与2D目标检测相关的下载链接。可以是一个单独的链接或一个数据集文件的列表。 5. 点击所需数据集的下载链接，等待文件开始下载。下载时间取决于你的互联网连接速度和文件大小。 6. 下载完成后，查看下载文件的格式。对于kitti数据集，通常会将数据存储为压缩文件（例如.tar.gz或.zip）。 7. 解压缩下载的文件以访问其中的数据。这可能需要使用解压缩软件，如WinRAR或7-Zip。 8. 导航到解压缩的文件夹，并查看其中的数据集内容。对于kitti数据集，你将找到图像文件、标签文件和其他相关文件。 9. 使用合适的工具或算法来处理这些文件，以实现2D目标检测的任务。 这些是关于下载kitti数据集2D目标检测的一般步骤。请注意，确保在下载和使用数据集时遵循适当的许可协议和使用规定。 ### 回答3： Kitti数据集是一个广泛用于自动驾驶和计算机视觉领域的公开数据集，其中包含了丰富的2D目标检测数据。这个数据集包含了来自位于德国卡尔斯鲁厄的卡尔斯鲁厄研究中心多传感器的采集的真实场景数据。 要下载Kitti数据集中的2D目标检测数据，您可以按照以下步骤进行操作： 1. 首先，访问Kitti数据集的官方网站，网址为http://www.cvlibs.net/datasets/kitti/ 2. 在网站首页，您可以看到不同的数据集选项。选择“Object Detection（2D）”数据集。 3. 在数据集页面上，您将找到不同的数据集版本。选择您感兴趣的版本并单击相应的链接。 4. 网页会显示数据集的详细信息和使用条款。请仔细阅读并同意使用条款后，您可以点击“Download（下载）”按钮。 5. 在下载页面上，您需要填写一些必要的信息，例如您的姓名和电子邮件地址，并选择您使用的数据集格式（如RGB格式、点云格式等）。 6. 填写完信息后，您将收到一封包含下载链接的电子邮件。点击链接即可下载数据集。 7. 下载后，您可以将数据集解压缩到您选择的文件夹中，并使用适当的工具进行处理和分析。 需要注意的是，Kitti数据集的使用需要遵守其使用条款和许可证。请确保您按照规定的方式使用数据集，并遵循道路交通法规和隐私保护要求。 总而言之，要下载Kitti数据集的2D目标检测数据，只需访问官方网站，选择适当的版本并填写必要的信息即可获得下载链接。
评论
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