【目标检测】【2】One-stage目标检测算法的论文阅读笔记与资料整理

最新推荐文章于 2022-11-25 21:36:57 发布
置顶 最新推荐文章于 2022-11-25 21:36:57 发布
阅读量879 收藏 2
点赞数
分类专栏： 笔记 # yolov3 目标检测系列
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_39055818/article/details/104512662
版权
本文汇总了目标检测算法的研究，对比了YOLO系列（YOLOv1, YOLOv2, YOLOv3）与SSD（Single Shot MultiBox Detector）的差异。详细介绍了SSD的网络结构、损失函数，以及YOLO的end-to-end检测、损失函数优化。此外，还探讨了anchor-free方法，如CornerNet和CenterNet。" 127356196,8706399,SQL进阶：复杂查询实战,"['数据库', 'SQL', '数据查询']
摘要由CSDN通过智能技术生成

把之前本地的一些论文阅读笔记和资料汇总搬上来
之前写过的相关博客：
【目标检测】【1】《SSD- Single Shot MultiBox Detector》SSD目标检测器详解
【yolov3】【2】yolov3-spp结构详解与源码解析（pytorch）

文章目录

目标检测

YOLO系列与SSD对比

YOLOv1 SSD YOLOv2 YOLOv3
anchor box 没有anchor box 有default box 有anchor box(k-means，用σ限制在0~1以改进稳定性) 同yolo2，k=9，均分到三个feature map
结构 仿照googlenet，后接全连接 基于VGG16，后接3 * 3卷积核 darknet-19，没有fc darknet-53, 没有fc和pooling，有resblock
使用的feature map 最后一层feature map 使用了6层feature map，直接在每层map上预测 使用了最后2层feature map；passthrough结构不损失信息，在深度上拼接后预测 3个不同尺度的feature map，后面的上采样和前面的concat（FPN）
预测框的数目 预测7x7x2个框 预测8732个框 预测13x13x5/9个框 预测sxsx3个框(s=13,26,52)
预测的内容 每个box预测objectness和位置，每个grid预测conditional class 每个box预测confidence和位置 每个box预测objectness和conditional class和位置 同yolo2

在这里插入图片描述

YOLOv1与SSD

YOLOv1 SSD
没有anchor box 有default box
全连接 3 * 3卷积核
最后一层feature map 使用了多层feature map
仅为一个cell预测一个类别 预测8732个类别

SSD

《SSD: Single Shot MultiBox Detector》

论文阅读：SSD: Single Shot MultiBox Detector
SSD笔记（引用↓两者）
目标检测|SSD原理与实现（较清晰）
CNN目标检测（三）：SSD详解（详细计算）
SSD论文阅读（Wei Liu——【ECCV2016】SSD Single Shot MultiBox Detector）（原作ppt）

VGG16 & SSD网络结构
在这里插入图片描述
跑了一下SSD的代码，SSD网络结构（此例为二分类（包括背景））:

最低0.47元/天 解锁文章
yjyjjyjy1231
关注
专栏目录
【目标检测】ATSS论文阅读笔记
聿默的博客
06-05 297
论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection代码：https://github.com/sfzhang15/ATSS 本文提出anchor-based与anchor-free目标检测方法的核心区别在于对正负样本的定义不一样，并认为这点是导致anchor-based与anchor-free两者性能差异的关键。......
【论文阅读笔记】Pelee: A Real-Time Object Detection System on Mobile Devices
梁瑛平的博客
02-18 797
Pelee: A Real-Time Object Detection System on Mobile Devices（一）论文地址：（二）核心思想：（三）Two-Way Dense Layer：（四）Stem Block：（五）Dynamic number of channels in bottleneck layer：（六）Transition Layer without Compressi...
目标检测系列论文------------------CornerNet阅读笔记
goodxin_ie的博客
04-07 723
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 ...
目标检测综述学习笔记
菜鸟中的菜中菜的博客
09-11 1253
一、 目标检测两个分支，two-stage和one-stage算法 two-stage算法主要是RCNN系列，，包括RCNN, Fast-RCNN，Faster-RCNN，其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上，又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN（Feature Pyramid Networks）backbone，以及FCN里的se
（论文解读）Towards Accurate One-Stage Object Detection with AP-Loss
Cyril的博客
07-21 732
目标检测性能指标：交并比（IoU）、精准率（Precision）、召回率（Recall）。 iou大于0.5为预测正确，即为真。小于0.5为假。 预测为前景则为正，背景则为负。
目标检测算法笔记 （三） One-Stage 算法 YOLO 系列算法
liuxinnanshou的博客
02-23 1559
目录 简介 YOLOv1 YOLOv2 YOLOv3 网络总结 简介 YOLO全拼是You Only Look Once。作者的目标是实现速度很快同时尽可能保持精度的目标检测网络，其去掉了非常耗时的生成RPN网络（对于实时检测的要求来说），直接把目标检测作为两个任务：目标区域预测、类别预测。实现了使用了一个网络直接预测物体边界和类别概率，即end-to-end，虽然精度与Two-Stage算法...
论文阅读笔记 | 三维目标检测——PointPillars算法
Clichong
11-25 1494
PointPillars的出发点同样与SECOND一样，希望改进VoxelNet所使用3d卷积计算量太大推理速度太慢的问题。鉴于此，SECOND提出了稀疏卷积来提高普通3d卷积的推理速度，但是任然无法避免3d卷积的庞大计算量，没有从根本上解决这个问题，仍然需要使用计算昂贵的3d卷积操作。这个问题的核心本质是SECOND与VoxelNet将点云量化为三维空间上的一个个Voxel，所以3d卷积是无法避免的。 为了从根本上解决3d卷积的问题，PointPillars提出了一种新颖的量化方法（paper中写到是e
基于深度学习的目标检测算法——one stage & two stage
weixin_44530058的博客
05-04 2039
前言 ????什么是目标检测呢？ 目标检测(objection detection)是计算机视觉(cv)的一个分支，在图像分类任务中，我们往往假设图像中只有一个主题目标,这时我们关注的是如何识别这个目标的类别，然而很多时候，一张图像中会有多个我们感兴趣的目标，我们想同时知道这些目标的类别以及他们所在的位置，在cv中，我们将这类任务称为目标检测或者物体检测 文章目录前言1、two stage算法R ...
论文阅读笔记 | 三维目标检测——3DSSD
Clichong
11-15 1063
两阶段的3d检测网络一般包含upsample layer进行特征回传进一步提取全局point-wise特征，以及需要一个修正阶段（refinement stage）来对候选框进行微调，这两个步骤极大的耗费时间，同时让网络结构变得复杂。3D-SSD的目的就是为了进一步减少推理时间，抛弃这种PF layers以及refinement stage，只利用backbone进行下采样的特征提取来完成检测任务。此外，作为one-stage的检测算法，采用anchor-free+centerness的方式，3D-SSD极
（五）论文阅读 | 目标检测之Libra R-CNN
Skies_的博客
03-04 726
CVPR2019 | 目标检测之Libra R-CNN
【论文学习】目标检测 —— FCOS：CVPR 2019关于one-stage和anchor-free最新实用算法
Lingyun
06-29 1542
Paper：FCOS: Fully Convolutional One-Stage Object Detection，CVPR 2019 URL: https://arxiv.org/pdf/1904.01355.pdf Code is available at: tinyurl.com/FCOSv1 这篇文章是单阶段的目标检测算法，基于anchor-free思想，效果非常好，达到4...
【论文阅读笔记】Looking Fast and Slow: Memory-Guided Mobile Video Object Detection
梁瑛平的博客
02-28 1875
Looking Fast and Slow: Memory-Guided Mobile Video Object Detection（一）论文地址：（二）核心思想：（三）主要贡献：（四）交叉模型（Interleaved Models）： （一）论文地址： https://arxiv.org/pdf/1903.10172.pdf （二）核心思想： 本文讨论了，在计算机视觉系统中使用记忆模型是否可以提...
目标检测 2—— One Stage目标检测算法
Breeze
08-12 8728
笔记来源：DeepLearning-500-questions 上次学习了目标检测的基本概念和一些经典的Two Stage算法：1.目标检测Two Stage 3. One Stage目标检测算法 我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal ...
【论文解读】one-stage系列里程碑 | 目标检测real time改进篇 | YOLO V3详解
熊猫小妖的AI世界
05-04 421
目录1.简介前言链接汇总2.主干网络2.1 总体网络2.2 bounding box预测2.3 class prediction2.4 loss计算3.实验数据3.1 数据环比4. 未竟之业5. Reference 1.简介 前言 yolo系列是由Joseph Redmon为主导，跟他导师Ali合作的最后一个作品（2018年），也是当时目标检测一阶段的SOTA，做到了实时性和准确性的兼顾，可谓是火爆全球。但是因为其本人的政治（白左，所谓“反战“）和个人倾向原因（一夜暴富？！），这个喜好“粉红系pony”的作
目标检测学习笔记—— one stage方法
s000da的博客
05-22 296
one-stage方法 阅读资料 阅读情况 单级式目标检测方法概述：YOLO与SSD 单级式目标检测方法概述：YOLO与SSD 积累： 「骨干（backbone）」网络 or base net：用来做基础的特征提取 提问： 单级式方法有时不能完成掩码预测？ 简介单步物体检测器SSD,YOLO,FPN&RetinaNe...
笔记：论文笔记Weakly Supervised Deep Detection Networks
博主回家睡觉了。。。
03-01 584
弱监督深度目标检测网络（2016） 摘要 提出一种弱监督的深度检测结构，使其在图像级别上运行，同时进行区域选择和分类。 在PASCAL-VOC数据上隐式学习优于其他弱监督检测系统的目标检测器。 该模型是一个简单的端到端架构，在图像级分类方面也优于标准的数据增强和微调技术。 缺陷：单图同类单个 一.介绍 本文提出了一种新的端到端的弱监督目标检测方法，称之为弱监督深度检测网络（WSD...
One-Stage论文经典：SSD: Single Shot MultiBox Detector论文解读
sunny0660的博客
01-27 404
Table of Contents 前言 论文基本信息 论文背景以及基本思想(Motivation & Contribution) 算法基本流程 算法细节 实验结果 小结 前言 SSD作为One-Stage系列的论文，如今已经作为基本网络被广泛应用于物体检测中，也很多网络结构是建立在其基础上的改进网络。 当前的Objection Detection架构的两个派系： Two-Stag...
【论文笔记】：Augmentation for small object detection
Activewaste
02-22 1461
&Title: Augmentation for small object detection CVPR &Summary 作者分析MS COCO数据集，以及Mask RCNN在这个数据集上的目标识别、分割性能表现，发现模型对于很小的目标性能较差，认为是两个原因导致的： 含有小物体的图片少； 即使有的图片含有小物体，小物体出现得少。 提出在对存在小目标的图像进行overs...
目标检测中one-stage、two-stage算法优缺点对比
最新发布
06-01
目标检测中one-stage和two-stage算法的优缺点如下： One-stage算法： 优点： 1. 速度较快，适合实时场景； 2. 简单易用，训练和使用较为方便； 3. 适合小目标的检测。 缺点： 1. 相对于two-stage算法，检测精度较...
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