【目标检测】《Objects as Points》论文阅读笔记

已于 2022-02-20 21:15:24 修改
阅读量1.6k 收藏
点赞数
分类专栏： 目标检测 文章标签： 计算机视觉 深度学习 目标检测
于 2022-02-20 21:13:47 首次发布
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_35975447/article/details/123032351
版权
这篇博客介绍了《Objects as Points》论文，该方法将目标检测转换为预测对象中心点坐标，简化了检测过程，适用于3D定位等任务。文章对比了区域分类、预测锚框和关键点预测等传统方法，并详细阐述了CenterNet模型的工作原理，包括特征图计算、损失函数和推理过程。实验表明，CenterNet在保持高效的同时，提供了准确的检测结果。
摘要由CSDN通过智能技术生成

粗读一遍，主要捡了一些我觉得比较重要的。后续会看看大佬写的，然后重新读下论文，再补充。

1.摘要

通过对预测框的坐标（关键点）进行模拟，训练得到的模型。是一种比较经典的anchor free的检测方法。能够方便的运用到3D定位、方向、甚至是姿态识别中。

2.介绍

介绍中主要说明，这篇文章把检测坐标框的预测，转变为坐标框中心点坐标的预测。较快应用到其他的任务中。而且速度非常快。

并提供其代码：xingyizhou/CenterNet

3.相关工作

（1）区域分类：初期刚出现检测任务时，通过分配较多的候选框，对候选框中的内容进行分类的方式完成目标检测任务，比如RCNN，Fast-RCNN。

（2）预测锚框：由于很多锚框，计算量较大，所以通过预测锚框方式，完成目标检测任务。比如Faster-RCNN，通过一个RPN预测建议框，通过anchor与真实框IoU比值>0.7就是前景，anchor与真实框IoU比值<0.3就是背景。

（3）关键点预

了解本专栏 订阅专栏 解锁全文 超级会员免费看
wait a minutes
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
CenterNet :Objects as Points-论文笔记（目标检测）
Wincher's blog
07-25 901
摘要 传统目标检测将物体定义为沿着坐标轴的边界框，对所有可能的物体进行穷举搜索，再进行分类。这种方法耗时耗力，且需要额外的后处理过程。本文将物体建模为单个点——边界框的中心点，用关键点估计找到中心点，并且回归输出物体其他属性，如：尺寸，3D位置，旋向，甚至位姿。本文方法称为CenterNet，一种端到端具有多种优点的目标检测方法，达到了速度与准确率的平衡。 引言 目标检测很重要，为许多后续任务提供支撑（实力分割、位置估计等）。在监控、自动驾驶等领域有广泛应用。传统目标检测将物体定义为沿着坐标轴的边界框，对所
论文精读——CenterNet _Objects as Points - c20081052的专栏 - CSDN博客.pdf
09-24
论文精读——CenterNet _Objects as Points - c20081052的专栏 - CSDN博客
论文阅读：Objects as Points
07-01 261
论文信息： Xingyi Zhou,UT Austin, arxiv1904.07852代码链接： https://github.com/xingyizhou/CenterNet整体信息： 这篇文章题目言简意赅，就非常吸引人眼球。不同于CornerNet预测一对角点得到bbox，以及基于CornerNet改进的CenterNet预测三个点得到bbox，文章提出的CenterNet同样作为一种anc...
目标检测论文笔记
最新发布
2301_76221972的博客
08-05 182
SSD: Single Shot MultiBox Detector，Fast R-CNN，YOLOv3: An Incremental Improvement
Objects as Points论文阅读笔记
Eric3778的博客
09-21 1124
Objects as Points论文阅读笔记 前言 在这篇博客中，我主要对CenterNet的实现过程进行一些分析。由于本人刚刚接触计算机视觉领域，所以有些问题可能分析的不够透彻或者有些错误，也请各位读者多多谅解并及时指出问题，万分感谢。 背景介绍 大多数目标检测器都是在图像上将目标用框（bounding box）来框出，这需要枚举所有可能的物体位置并对每个位置进行分类，但是这种方式效率低下。在...
目标检测论文笔记：Spiking-YOLO(1903.06530)
edward_zcl的博客
01-15 1557
Spiking-YOLO: Spiking Neural Network for Real-time Object Detection 这是一篇来自韩国的比较冷门或者前沿一点的文章，研究方向是脉冲神经网络（Spiking Neural Networks）与YOLO算法的融合，发现韩国人特别擅长对YOLO，SSD等算法进行魔改啊。 文章贡献 提出一种在深度SNN中能够进行快速精确信息传输的Sp...
【论文笔记】：CenterNet :Objects as Points
Activewaste
07-26 1047
&Title: Objects as Points &Summary 作者在构建模型时将目标作为一个点——即目标BBox的中心点。检测器采用关键点估计来找到中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态。 论文是基于中心点的方法，称为：CenterNet，相比较于基于BBox的检测器，我们的模型是端到端可微的，更简单，更快，更精确。我们的模型实现了速度和精确的...
论文学习：《Objects as Points》
weixin_42214565的博客
09-04 860
被大佬安利了这篇论文，花了整整一天的时间学习这篇论文，感觉非常妙。记录一下学习笔记，先推荐两篇个人觉得讲的非常好的文章，以下笔记有些内容摘自这里： [1]https://zhuanlan.zhihu.com/p/66048276 [2]http://www.tensorinfinity.com/paper_189.html [3]https://blog.csdn.net/c20081...
论文笔记：Objects as Points（CenterNet）
weixin_39952791的博客
11-06 370
论文笔记：CenterNet 简介 以往的检测方法很多都是找到一大堆潜在目标的位置并且逐一分类，效率很低，本文提出的方法是通过关键点估计来找到目标中心点并且回归出目标的所有属性（包括offset、检测框尺寸、类别等等）。通过一个全卷积神经网络，生成一个heatmap，找到这个heatmap的峰值就是物体的中心。这个方法同时也可用于人体关键点检测和单目深度估计。 方法 简单来说，就是通过一个全卷积...
目标检测算法笔记
07-25
此文档为小编对当今深度学习主流目标检测算法R-CNN系列和YOLO系列进行的简单总结，包含了一些个人理解、YOLO论文解读等内容。
目标检测 Faster R-CNN 论文笔记
Cyiano的博客
04-13 2904
目标检测 Faster R-CNN 论文笔记论文名称：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks，点我下载Faster R-CNN算法基于R-CNN和Fast R-CNN改进得来，如果你对它们尚不了解，可以看看 R-CNN 和 Fast R-CNN 的相关知识。0. 摘要 R-CNN的提
目标检测论文笔记目录
xiaochengJF的博客
11-16 361
论文笔记 描述 YOLOv1（CVPR 2016） ✓\checkmark✓ YOLOv2 （CVPR 2016） ✓\checkmark✓ YOLOv3 （CVPR 2018） ✓\checkmark✓ YOLOv4 WongKinYiu/PyTorch_YOLOv4 YOLOv5 ultralytics/yolov5 DenseBox （CVPR 2015） ✓\checkmark✓ SSD （ECCV 2016） ✓\checkmark✓ RCNN（CVP...
目标检测系列论文------------------CornerNet阅读笔记
goodxin_ie的博客
04-07 721
目录 Motivation 创新点 模型框架 3.1 Hourglass Networks 3.2Detecting Corners Corner pooling 总结 原文：https://arxiv.org/abs/1808.01244 代码：https://github.com/princeton-vl/CornerNet Motivation ...
【目标检测】论文笔记 CVPR2019
m0_46651960的博客
08-21 194
目标检测经典数据集 Bounding Box Regression with Uncertainty for Accurate Object Detection 非极大抑制（non-maximun suppression，NMS） 本文目的：提出一种新颖的bounding box regression lossbounding\ box\ regression\ lossbounding box regression loss, for lear
目标检测论文笔记二：CenterNet《Objects as Points》
SanJin_Young的博客
10-17 719
论文通过将物体建模成一个物体中心点，使用关键点估计网络来预测物体中心并回归一系列物体属性（长宽高等等）。并且相比于基于anchor的物体检测器，CenterNet 更简单、更快、更准确。 网络的整个运行流程为：在训练时，先将图像送入全卷积神经网络中生成热图，热图中的峰值点就是物体的中心点，每一个峰值点的图像特征用于预测物体框的属性。在预测时，仅为简单的网络前向过程，没有NMS作为后处理。 作者认为CenterNet与onestage的基于anchor的目标检测方法十分接近，但是却有几...
论文笔记之目标检测（2）-- GRP-DSOD
Feywell的博客
12-15 2155
Learning Object Detectors from Scratch with Gated Recurrent Feature Pyramids文章：https://arxiv.org/abs/1712.00886 代码：https://github.com/szq0214/GRP-DSOD（还未公布） 结构：caffe netscope视图 作者：沈志强 Learning Objec
论文笔记之目标检测（1）-- DSOD
Feywell的博客
12-13 1138
论文笔记之目标检测(1)DSOD: Learning Deeply Supervised Object Detectors from Scratch文章：https://arxiv.org/abs/1708.01241 代码：https://github.com/szq0214/DSOD 结构：caffe netscope视图目录论文笔记之目标检测1 DSOD Learning Deeply S
笔记五：CVPR2019目标检测论文阅读 Feature Selective Anchor-Free Module for Single-Shot Object Detection
博主回家睡觉了。。。
12-08 397
效果对比： 一.背景介绍 首先anchor的设计是为了将所有可能的实例框的连续空间离散成具有预定义位置、比例和方向的有限个anchor框。实例框与anchor框的匹配基于IOU重叠。 为了实现尺寸不变性，又因为以下特点：上层feature map有更多的语义信息适合于检测大位置，而下层feature map有更多的细粒度细节适合于检测小实例。所以当前，当与特征金字塔集成时，大anchor...
Tracking Objects as Points
07-28
"Tracking Objects as Points"是一种基于点的同时检测和跟踪方法，由德克萨斯奥斯汀分校和英特尔研究院的研究人员提出。这种方法利用近期提出的CenterNet检测器来定位目标中心，并将检测器和用点表示的先前踪片...
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

打赏作者

wait a minutes

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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