【论文】Lightweight SSD: Real-time Lightweight Single Shot Detector for Mobile Devices+源码github地址！

最新推荐文章于 2022-10-24 17:08:02 发布
置顶 最新推荐文章于 2022-10-24 17:08:02 发布
阅读量209 收藏
点赞数 1
分类专栏： 深度学习 文章标签： github 目标检测
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_43348528/article/details/120157508
版权
本文提出了一种名为LightweightSSD的轻量级目标检测模型，采用MBlitenet作为轻量级主干网络，并引入了CFPN特征融合方法和Biou位置回归损失函数。此外，还复现了Mosaic数据增强，并提出了新的RGBMixGray增强技术。该模型适用于移动设备的实时检测。源码已开源在Github上。
摘要由CSDN通过智能技术生成
本文主要提出了一种新的轻量级目标检测模型Lightweight SSD
论文下载地址：scitepress.org/Papers/2021/101880/pdf/index.html
包含
  1. 提出轻量级主干（backbone）结构： MBlitenet
  2. 提出新的特征融合方法： CFPN
  3. 提出新的position regression loss（位置回归损失函数）： Biou
  4. 复现YOLOv4中使用到的数据增强方法： Mosaic
  5. 提出新的数据增强方式：RGBMixGray
源码Github代码仓地址：https://github.com/guo654/Lightweight-SSD-Real-time-Lightweight-Single-Shot-Detector-for-Mobile-Devices
frootguo
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文阅读笔记】M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network
梁瑛平的博客
02-11 824
M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network（一）论文地址：（二）核心思想：（三）Introduction：（四）特征融合模块（FFM）：4.1 FFM1：4.2 FFM2：（五）联级轻量 U 形模块（TUM）：（六）尺度特征聚合模块（SFAM）：（七）网络参数配置：（八）实验结果...
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
南有乔木NTU的博客
12-18 2920
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection论文地址 github源码Introduction这篇论文是发表在2016nips上的一篇关于目标检测的论文，在这个论文之前，目标检测我个人看到效果最好的是Faster R-CNN+++（R-FCN的对比试验,+++代表添加了迭代边框回归，上下文信息
低光图像目标检测的研究成果总结
weixin_36670529的博客
02-28 5250
1、深度学习以前 1、A Novel Method to Compensate Variety of Illumination In Face Detection 本文介绍了一些基于空间域的传统方法。采用LogAbout进行光照补偿后，正确检测率明显提高。该思想能够快速有效地解决光照补偿问题，适用于自动检测人脸和实时跟踪人脸。本文提出的LogAbout思想也有助于一般的图像处理、目标检测和识别。 2、An Image-Range Fusion Pedestrian Detection System i
论文阅读【检测】AAAI2019 | M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network
qq_17614495的博客
05-10 251
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、Introduction二、Proposed Method特征融合模块FFM细化U型模块TUM尺度特征聚合模块SFAM总结 前言 现在性能较好的一阶段物体探测器（如DSSD，RetinaNet，RefineDet）和两阶段物体探测器（如Mask RCNN，DetNet）都广泛使用了特征金字塔，从而缓解对象实例的比例大小变化带来的差异问题。尽管这些具有特征金字塔的物体探测器获得了不错的结果，但它们也有一定的局限性：它们只是简
M2Det:A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network 论文理解
ruoruojiaojiao的博客
04-12 2183
参考博客：https://blog.csdn.net/sinat_37532065/article/details/87385302 1. 提出该网络的原因 金字塔网络的提出是为了解决在目标检测任务中一个图片中存在多尺度目标的问题。已经广泛应用在两步（如rcnn系列等）和一步（如yolo，ssd等）的目标检测网络中。 目前一些多尺度特征提取网络的缺点：由于它们仅根据最初为物体分类任务设计的骨...
Tiny-SSD ： 使用Squeeze-Net 替换 VGG-16
Kelisiya
04-08 3181
前言：这个作者的思路没什么，改了个网络而已，但是没想到他里面的参数只是随便写的，并不是完全成立，而如果将这些参数设计成SSD 中VGG16的，则可以正确的编译（内心可以说各种草泥马了），把网络留在这里，可以直接替换VGG16部分。最近准备使用kitti数据集进行测试和yolo V3比较 # coding=utf-8 """Keras implementation of SSD.""" impo..
FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding
小李的研究生学习日记
09-27 1万+
FSCE：通过对比建议编码进行少样本目标检测新出现的兴趣已被用于识别以前看不见的对象，因为训练示例很少，称为少镜头对象检测 (FSOD)。最近的研究表明，良好的特征嵌入是获得良好的少样本学习性能的关键。我们观察到具有不同 Intersection-ofUnion (IoU) 分数的对象提议类似于对比方法中使用的图像内增强。我们利用这种类比并结合监督对比学习，在 FSOD 中实现更稳健的对象表示。
A real-time lightweight object detector (RLOD) network
weixin_40160633的博客
07-21 276
A real-time lightweight object detector (RLOD) for the mobile embedded platform is proposed for underwater manipulation. The detailed network is seen if the following process is given. Copy the contents of the file deploy.prototx and paste it into http://e
L-DETR: A Light-Weight Detector for End-to-End Object Detection With Transformers
qq_42882457的博客
10-24 944
L-DETR学习
DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation.pdf
10-23
### DFAnet：Deep Feature Aggregation for Real-time Semantic Segmentation #### 概述 本文档主要介绍了DFAnet（Deep Feature Aggregation Network），这是一种专为实时图像语义分割设计的深度学习模型。该模型...
rn-lightweight-date-picker:轻量级日期范围选择器，不依赖 React Native
08-05
$ npm i rn-lightweight-date-picker --save 例子 state = { minDate : new Date ( 2018 , 12 , 31 ) } onChange ( data ) { const { start , end } = data ; if ( start && data ) api . fetchSchedule ( ...
lightweight-human-pose-estimation-3d-demo.pytorch:PyTorch中的实时3D多人姿势估计演示。 OpenVINO后端可用于在CPU上进行快速推断
05-12
实时3D多人姿势估计演示该存储库包含PyTorch中的3D多人姿势估计演示。 英特尔OpenVINO:trade_mark:后端可用于在CPU上进行快速推断。 该演示基于和纸张的。 它可以检测多达18种关键点的2D坐标：耳朵，眼睛，鼻子，...
LFD-A-Light-and-Fast-Detector:LFD是LFFD的重大更新。 通常，LFD是一种多类目标检测器，其特点是重量轻，推理延迟低，精度高。 适用于实际应用
03-31
更新记录2021.03.30我们维护了一个，显示消融研究，以供您参考。 也许这些实验对您做出正确的决定很有价值。 2021.03.16 INT8推断已更新。 检查和以供参考。 2021.03.09 LFD现在正式发布！！！ 任何问题都欢迎。...
agda-pkg：apkg-Agda的软件包管理器
02-03
Agda-pkg是用于管理库的简单工具，它具有其他功能，例如安装来自不同来源的库。 该工具完全不修改Agda ，它只是系统地管理.agda... 要从Github存储库安装具有特定分支的库，该分支具有特定的库名称： $ apkg install
【python+opencv】批量读取一个文件夹下所有的图片并处理
热门推荐
froot的博客
06-08 4万+
[python+opencv] piliangduqu yigewenjianjia suoyoutupina
【opencv-python】利用opencv读取rtsp的实时帧
froot的博客
10-28 3万+
一开始，直接使用opencv的cv2.VideoCapture直接读取rtsp视频流，但是这样做的缺点是延迟严重、出现掉帧、花屏现象等，原因在于opencv自己有一个缓存，每次会顺序从自己的缓存中读取，而不是直接读取最新帧，代码如下： import cv2 cap = cv2.VideoCapture("rtsp://admin:admin@IP地址:端口号/live0") ret,frame = cap.read() while ret: ret,frame = cap.read() .
【python-opencv】灰度图和彩色图的互相转换
froot的博客
05-19 2万+
[tensorflow]rgb-gray 如果摄像头本来就得到3维度红外图那就不用处理直接可以用： import cv2 cap = cv2.VideoCapture(0) ret, image_np = cap.read() 直接转成单通道的灰度图看看能不能用： #如果后面不写0，那就是默认彩色的 # 第一种方式 image = cv2.imread('***/timg4.jpg',0) #第二种方式 #dst=cv2.cvtColor(src,cv2.
opencv[3.x]出现无法从cv::Mat转为IplImage问题（真实有用！！！）
froot的博客
01-20 5967
opencv[3.x]出现无法从cv::Mat转为IplImage问题 1. 各种百度谷歌到的解决办法都是 cv::Mat z; IplImage z_ipl = IplImage(z); 2. 继续报错说无构造函数可以接受的源类型，或构造函数重载决策不明确等话语 解决办法： 找到定义IplImage结构体的头文件types_c.h 观察其结构体能够使用该构造函数的条件 直接把这行条...
mfen: lightweight multi-scale feature extraction super-resolution network in
最新发布
09-18
mfen是一个轻量级的多尺度特征提取超分辨率网络。mfen的主要目标是实现图像的超分辨率重建，通过将低分辨率的图像转换为高分辨率的图像，提高图像的质量和细节。mfen使用了多尺度特征提取的方法，可以同时处理不同尺度的图像信息。 mfen的网络结构包括多个分支，每个分支都负责提取不同尺度的图像特征。每个分支都由卷积层、残差块和上采样模块组成。卷积层用于提取图像的特征，残差块用于增强特征的表示能力，上采样模块用于将特征图像恢复到更高的分辨率。 mfen的优点之一是它的轻量级设计，可以在相对较低的计算资源下实现高质量的超分辨率重建。这使得mfen适用于各种计算平台，包括移动设备和嵌入式系统。 此外，mfen还采用了自适应残差学习，通过学习图像的残差信息来提升超分辨率重建的效果。这种学习方法可以自动学习出不同图像的残差分布，从而更好地适应不同图像的超分辨率重建需求。 总之，mfen是一个创新的轻量级多尺度特征提取超分辨率网络。它通过有效地提取图像特征和学习残差信息，实现高质量的超分辨率重建。它具有广泛的应用前景，可以在各种计算平台上应用于图像增强和机器视觉任务。
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