Object Detection
文章平均质量分 65
记录一下看的目标检测方面的论文
_liuzt
这个作者很懒,什么都没留下…
展开
-
NMS和几种IOU的复现
NMS和几种IOU的复现输入为一张图片以及图片经过Yolo v3的推理结果,下载链接,提取码ha4o。NMS的实现参考的yolo v3,在细节上做了一些优化实现了iou,giou,diou,ciou的计算import cv2import numpy as npimport randomimport torchimport mathdef bbox_giou(box1, box2): """ Returns the GIoU of two bounding boxe原创 2022-03-16 20:19:28 · 1059 阅读 · 0 评论 -
ICLR 2021 KNOWLEDGE DISTILLATION
IMPROVE OBJECT DETECTION WITH FEATURE-BASED KNOWLEDGE DISTILLATION: TOWARDS ACCURATE AND EFFICIENT DETECTORS学习笔记ICLR2021Introduction大多数为图像分类设计的知识蒸馏网络在目标检测任务中效果不好,原因是:前景和背景像素之间不平衡缺乏对不同像素之间关系的提炼基于以上两个原因,本文分别做了以下工作:attention-guided distillation原创 2021-03-03 17:46:04 · 929 阅读 · 2 评论 -
ExtremeNet学习笔记
Bottom-up Object Detection by Grouping Extreme and Center PointsCVPR2019论文链接代码链接Abstract随着深度学习的出现,目标检测从一个自下而上的问题发展成了自上而下的识别问题。对自上而下和自下而上的理解:自上而下表示输入图像提取特征,对proposal进行分类;自下而上表示直接找到目标本文表明自下而上的方法依旧具有竞争力,ExtremeNet使用关键点估计网络来检测四个极值点和一个中心点,如果这五个点在几何原创 2020-12-27 18:56:08 · 614 阅读 · 0 评论 -
RepPoints学习笔记
RepPoints: Point Set Representation for Object DetectionICCV2019代码链接论文链接Abstract边界框只能提供粗糙的定位,导致了粗糙的特征提取本文提出了RepPoints(representative points),用一组样本点对目标进行识别和定位能达到和基于Anchor的方法相当的精度46.5 AP and 67.4 AP50AP_{50}AP50 on the COCO test-devIntroductio原创 2020-12-27 08:40:50 · 474 阅读 · 0 评论 -
FCOS学习笔记
FCOS: Fully Convolutional One-Stage Object DetectionICCV2019论文链接代码链接AbstractFCOS是全卷积的一阶段检测器,采用类似于语义分割的方法,用逐像素预测的方法检测目标FCOS没有使用Anchor,精度超过了当时所有的一阶段检测器FCOS唯一的后处理是NMSIntroductionAnchor-based的方法缺点:检测性能对Anchor的大小、比例、数量这些超参数敏感固定的anchor损害检测器的普适性,导致原创 2020-12-23 14:58:26 · 312 阅读 · 0 评论 -
R-FCN学习笔记
R-FCN学习笔记Abstract贡献解决了“分类网络的位置不敏感性(translation-invariance in image classification)”与“检测网络的位置敏感性(translation-variance in object detection)”之间的矛盾 ( 提出了位置敏感分数图,以解决图像分类中的平移不变性与目标检测中的平移变化之间的困境。 )在提升精度的同时利用“位置敏感得分图(position-sensitive score maps)”提升了检测速度。比F原创 2020-12-15 18:18:30 · 196 阅读 · 0 评论 -
Cascade RCNN学习笔记
Cascade RCNNCascade R-CNN: High Quality Object Detection and Instance Segmentation(级联R-CNN)CVPR2018论文链接代码链接Abstract在目标检测中,用IoU来定义正负样本,使用低阈值比如0.5通常会是产生噪声(识别错误的目标),而是用高阈值通常会使检测性能下降(漏检目标),造成这种情况的主要原因有两个:大阈值使正样本指减少导致的过拟合在train和inference过程中会引起mismat原创 2020-12-15 17:45:09 · 671 阅读 · 0 评论 -
CenterNet: Keypoint Triplets for Object Detectiontection学习笔记
CenterNet: Keypoint Triplets for Object DetectiontectionCVPR2019论文链接代码链接Abstract基于关键点的目标检测经常出现不正确的边界框本文的方法在CornerNet检测两个角点的基础上,增加了对中心点的检测本文提出了cascade corner pooling和center pooling在精度和召回率上都得到了提高On the MS-COCO dataset,CenterNet achieves an AP of 4原创 2020-12-11 21:30:49 · 220 阅读 · 0 评论 -
CenterNet:Objects as Points学习笔记
Objects as Points论文链接代码链接Abstract本文将目标建模为一个点,即其边界框的中心点,本文的检测器CenterNet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。CenterNet实现了速度与精度的最好权衡on the MS COCO dataset, with 28.1% AP at 142 FPS, 37.4% AP at 52 FPS, and 45.1% AP with multiscale testing at 1.4原创 2020-12-11 00:47:35 · 200 阅读 · 0 评论 -
CornerNet学习笔记
CornerNet: Detecting Objects as Paired KeypointsECCV2018论文链接参考博客Abstract提出了CornerNet,不同于传统的边界框(对Anchor进行回归),本文使用一对关键点(左上角和右下角)来定位目标提出了Corner Pooling,有助于更好的定位cornerIntroduction之前的工作都是基于Anchor,有两个缺点:需要大量的Anchor引入了很多超参数,比如Anchor的大小、比例、个数原创 2020-12-09 19:04:07 · 208 阅读 · 0 评论 -
Grid RCNN学习笔记
Grid R-CNNCVPR2018商汤Abstract本文提出了一种基于网格引导定位的目标检测算法Grid R-CNNGrid R-CNN获取空间信息并且利用全卷积结构的位置敏感性Different from the traditional regression based methods, the Grid R-CNN captures the spatial information explicitly and enjoys the position sensitive propert原创 2020-12-04 17:02:23 · 418 阅读 · 0 评论