目标检测
文章平均质量分 91
Leon嘞
这个作者很懒,什么都没留下…
展开
-
BEV感知算法学习
每个像素都分配了一组离散的深度,这样整个图像的维度就是D×H×W(跟点云一样)。对于每个像素p,网络预测了一个上下文向量c和深度分布α,点。也就是说,射线上每个点的特征由α和c的外积决定。三个步骤:Lift, Splat, Shoot。原创 2024-02-03 12:33:38 · 796 阅读 · 0 评论 -
SSD论文解读
SSD(SingleShotDetector)论文解读一、相关背景速率问题:在目标检测的速率上明显存在问题,此前最快的检测模型为Faster R-CNN(速率为每秒钟7帧)二、主要贡献提出了第一个基于目标检测的深度神经网络,不需要为回归框重新取样像素或特征,而且和之前的方法同样精确。在检测速率和检测精度上有了较大的提高。为了实现高精度检测,作者对于不同尺寸的特征图提出了不同的预测...原创 2020-02-19 14:21:47 · 320 阅读 · 0 评论 -
Faster R-CNN论文解读
Faster R-CNN论文解读一、相关知识存在问题:过去的模型在提取proposal时花费时间过多,对于proposal的处理较为繁琐。数据集:PASCAL VOC、 MS COCO二、论文贡献1、创造性的提出了把RPNs与Fast R-CNN相结合的方案,在数据集的目标检测上结果有了显著提升。2、大大地缩短了网络的运行时间,提高了精度和速度,节省成本。3、具有很高的使用价值。三...原创 2020-02-14 20:29:19 · 285 阅读 · 0 评论 -
Fast R-CNN论文解读
Fast R-CNN论文解读一、相关知识首先要了解R-CNN和SPPnets存在的不足之处:R-CNN:1、多层结构,比较冗杂。2、时间和空间开销较大。3、目标检测过程太慢。SPPnets:1、和R-CNN一样依然是多层结构较为繁琐。2、微调算法不能更新卷积层,限制了深层神经网络的准确性。二、论文贡献提出了Fast R-CNN算法,弥补了R-CNN和SPPnets的不足之处,...原创 2020-02-10 20:10:05 · 198 阅读 · 0 评论 -
R-CNN论文解读
本文是对R-CNN论文的一些个人理解,从相关知识、论文贡献、模型结构、实验设计四个方面进行了总结。原创 2020-02-06 17:05:21 · 195 阅读 · 0 评论