![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 83
WaitPX
这个作者很懒,什么都没留下…
展开
-
EfficientNet学习笔记
EfficientNet学习笔记1.论文思想在之前的一些论文中,有的会通过增加网络的width即增加卷积核的个数(增加特征矩阵的channels)来提升网络的性能如图(b)所示,有的会通过增加网络的深度即使用更多的层结构来提升网络的性能如图©所示,有的会通过增加输入网络的分辨率来提升网络的性能如图(d)所示。而在本篇论文中会同时增加网络的width、网络的深度以及输入网络的分辨率来提升网络的性能如图(e)所示:根据以往的经验,我们不难发现:(1)增加网络的深度depth能够得到更加丰富、复杂的特征原创 2021-12-13 22:35:14 · 3258 阅读 · 0 评论 -
Hybrid Dilated Convolution学习笔记
Hybrid Dilated Convolution学习笔记1.膨胀卷积也叫空洞卷积,是在普通卷积的基础上加了一个空洞率,如下图所示:上图就是一个空洞率为2的空洞卷积,以3×3为例,算上空洞率为2的卷积核应该为5×5,添加像素添加0。2.为什么要引入膨胀卷积?因为maxpooling进行池化操作后,一些细节和小目标会丢失,在之后的上采样中无法还原这些信息,造成小目标检测准确率降低然而去掉池化层又会减少感受野。膨胀卷积的作用(1)增大感受野(2)保持输入特征的宽高3.膨胀卷积的问题栅格效原创 2021-11-15 20:37:33 · 7631 阅读 · 6 评论 -
GCNet学习笔记
GCNet学习笔记1.研究动机本文的是从Non-local Network的角度出发,发现对于不同位置点的attention map是几乎一致的,这表明了non-local中的每个点在计算attention map的时候存在大量的浪费,从而提出了简化的NL,也就是本文的SNL。更进一步地,作者还研究了和SENet的关联,基于SENet和SNL,提出了统一的框架,并结合两者优点提出了GCNet,计算量相对较小,又能很好地融合全局信息。2.具体方法首先是对Non-local Network的分析:左原创 2021-11-15 11:38:20 · 4226 阅读 · 0 评论 -
Faster RCNN之进化史
Faster RCNN之进化史1.RCNN1.1 算法流程(1)在一张图像中通过SS算法生成1K~2K个候选区域(2)对每一个候选区域通过深度网络提取特征(3)特征送入每一类的SVM分类器,判断是否属于该类,之后通过nms为每一类候选框进行筛选。(4)使用回归器精确修正候选框位置1.2 网络模型1.3 RCNN存在的问题(1)测试速度慢:测试一张图片约53s(CPU)。用Selective Search算法提取候选框用时约2s,一张图像内候选框之间存在大量重叠,提取特征操作冗余。(2)原创 2021-09-25 14:59:07 · 623 阅读 · 0 评论 -
Deformable DETR学习笔记
Deformable DETR学习笔记1.DETR的缺点(1)训练时间极长:相比于已有的检测器,DETR需要更久的训练才能达到收敛(500 epochs),比Faster R-CNN慢了10-20倍。(2)DETR在小物体检测上性能较差,现存的检测器通常带有多尺度的特征,小物体目标通常在高分辨率特征图上检测,而DETR没有采用多尺度特征来检测,主要是高分辨率的特征图会对DETR增加不可接受的计算复杂度。为了解决这两个问题,所以提出了Deformable DETR。2.TransformerCV的原创 2021-06-29 15:32:32 · 7912 阅读 · 0 评论 -
ViT学习笔记
Vit学习笔记原创 2021-06-21 15:01:14 · 3387 阅读 · 1 评论 -
DETR学习笔记
DETR学习笔记1.问题目前的检测方法不是直接预测一个目标的集合,而是使用替代的回归和分类去处理大量的proposals以及anchors。模型的效果会受到一系列问题的影响:后处理去消除大量重叠的预测、anchor的设计、如何把target box与anchor关联起来等问题。2.解决方案简化上述流程,将目标检测视为集合预测的方式,好处是训练与预测变成真正的端到端,无需NMS的后处理,十分方便。同时,也不用人为地预设anchor。3.创新点a.Set-based的全局loss,使用二分图匹配生成原创 2021-06-21 21:11:30 · 2725 阅读 · 0 评论