![](https://img-blog.csdnimg.cn/1f86edf8c055428f996b51729df3ff4f.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
目标检测经典论文
文章平均质量分 91
以当下目标检测经典论文为主
桑_榆
在努力和摆烂之间 我会选择努力摆烂
展开
-
目标检测问题总结
对于二阶段目标检测来说,在RPN网络结构中进行了前景和背景的分类和检测,这个过程与一阶段的目标检测直接一上来就进行分类和检测要简单的多,有了前景和背景的区分,就可以选择性的挑选样本,这样正负样本就更加的均衡,然后重点对一些参数进行分类训练,训练的分类难度会比一阶段目标检测直接做混合分类和预测框回归要来的简单很多。加掩膜,加扰动,提高算法对遮挡的应对能力。当某个类别的样本数特别多的时候,训练出来的网络对该类的检测精度往往会比较高,而当某一类的训练样本数较少的时候,模型对该类目标的检测精度就会有所下降。原创 2023-11-13 14:55:06 · 798 阅读 · 0 评论 -
基于深度学习的目标检测模型综述
精度是从交并比导出的,即地面真值和预测的边界框之间的重叠区域和并集区域的比率。如果模型未能检测到标签真值中存在的对象,则被称为假负例。精度衡量的是正确预测的百分比,而召回率衡量的是真正预测与真值相关的方面。目标检测是目标分类的自然延伸,目标分类仅旨在识别图像中的目标。目标检测的目标是检测预定义类的所有实例并通过轴对齐的框提供其在图像中的初略定位。在某些狭窄领域,算法几乎达到了人类的准确性水平,然而仍然存在许多令人兴奋的挑战需要解决。计算机视觉在过去的十年取得了长足的进步,但是扔面临一些重大挑战。原创 2023-10-17 15:41:10 · 418 阅读 · 0 评论 -
人体姿态标注
一共是3中状态框,分别是:FALL(跌倒)、UP(站立)、BENDING(中间状态)注意标注时,英文一定要大写。原创 2023-10-08 14:58:19 · 1572 阅读 · 3 评论 -
图像相似度识别算法aHash|dHash|PHash
aHash\pHash\dHash 是常用的图像相似度识别算法,原理简单、实现方便。原创 2023-09-18 17:26:25 · 688 阅读 · 0 评论 -
Slim-neck by GSConv:自动驾驶车辆检测器架构的更好设计范式(文末附代码)
目标检测是计算机视觉中一项重要的下游任务。对于车载边缘计算平台来说,巨型模型难以实现实时检测要求,而且,由大量深度可分离卷积层构建的轻量级模型无法实现足够的准确率。引入了一种新的轻量级卷积技术 ——GSConv,以减轻模型负担同时保持准确性。GSConv在模型准确性和速度之间达到了出色的权衡。而且,还提供了一种设计范式:Slim-neck,以实现检测器的更高计算成本效益。方法在二十多组对比实验中得到了稳健的验证。特别是,通过我们的方法改进的检测器相比于原始模型得到了最新进的结果。原创 2023-09-15 23:45:00 · 1768 阅读 · 2 评论 -
注意力机制:CA - Coordinate Attention for Efficient Mobile Network Design(文末附代码)
近期 关于移动网络设计的研究已经证明了通道注意力在提升模型性能方面的显著效果,但他们通常忽略了位置信息,而位置信息嵌入通道注意力中,我们称之为**“坐标注意力”。与通道注意力通过二维全局池化将一个特征张量转换为单个特征向量的方法不同,坐标注意力将通道注意力分解为两个一维特征编码过程,分别沿着两个空间方向聚合特征。通过这种方式,可以捕捉到一个空间方向上的长程依赖关系,并同时保留另一个空间方向上的精确位置信息。然后,得到的特征图分别编码为一对方向感知和位置敏感的注意力图,可以。原创 2023-09-01 20:59:05 · 2949 阅读 · 0 评论 -
YOLOv5模型压缩:综述
近年来,研究人员一直 致力于改进YOLO目标检测器。自其问世以来,已经推出了八个主要版本的YOLO,旨在提高其准确性和效率,尽管YOLO的明显优点使其在许多领域得到了广泛应用,但是资源有限的设备上部署他存在挑战。网络剪枝、量化和知识蒸馏三大类利用模型压缩方法的丰硕成果,如降低内存使用和推理时间等,使他们成为在硬件受限的边缘设备上部署大型神经网络时受到亲耐,甚至可以说是必要的方法。通过这样做,我们识别出在适应YOLOv5的剪枝和量化压缩中存在的差距,并提供这一领域进一步探索的未来方向。原创 2023-08-29 13:52:49 · 631 阅读 · 0 评论 -
PConv : Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks
我们的目标是尽可能简化架构,没有花里胡哨的特点,以便使其总体上对硬件友好。我们在下图中呈现了总体架构。原创 2023-08-28 14:29:34 · 1702 阅读 · 0 评论 -
YOLO-MS Rethinking Multi-Scale Representation Learning for Real-time Object Detection
如下表所示:将大内核卷积应用于高分辨率特征计算成本较高。然而,与仅使用大内核卷积相比,我们的HKS协议在低分辨率采用了大内核卷积,从而大大降低了计算成本。实际上,我们经验证实,我们的YOLO-MS与HKS协议及乎以与仅使用深度为3X3的卷积相同的推理速度。原创 2023-08-24 13:45:51 · 296 阅读 · 0 评论 -
针对低分辨率或小目标的卷积-SPDConv
卷积神经网络在许多计算机视觉任务中取得了巨大成功。然而,在图像低分辨率或目标较小任务上,他们的性能迅速下降。在本文中,我们指出,这根源于现有CNN架构中存在的一个有缺陷但常见的设计,即使用strided convolution和/或pooling layers,这导致细粒度信息的丢失和不够有效的特征表示的学习。为此,我们提出了一个新的CNN构建快, 称为SPD-Conv,取代每个strided convolution层和每个pool层(因为完全消除他们)。原创 2023-08-15 15:20:01 · 4913 阅读 · 5 评论 -
无锚框原理 TOOD:Task-aligned One-stage Object Detection
一阶段目标检测通常通过优化两个子任务来实现:对象分类和定位,使用具有两个平行分支的头部,这可能导致两个任务之间预测的空间对齐程度不一致。提出了一种“任务对齐一阶段目标检测”方法,以学习方式明确地对齐这两个任务。首先设计了一种新颖的任务对齐头(T-head),它在学习任务交互和任务特定特征之间提供了更好的平衡,也更灵活地通过任务对齐预测器学习对齐。其次,我们提出了任务对齐学习(TAL),通过设计的样本分配方案和任务对齐损失,在训练过程中明确地拉近(甚至统一)两个任务的最优锚点。具有更少的参数和FLOPs。原创 2023-08-07 11:03:33 · 1585 阅读 · 0 评论 -
YOLOX:Exceeding YOLO Series in 2021
将YOLO检测器切换为无锚方式,并采用其他先进技术,解耦的头部和领先的标签分配策略SimOTA,以实现跨大规模模型范围的最新成果:对于仅有0.91M参数和1.08G FLOPs的YOLO-Nano,;对于yolov3,提升47.3%AP。原创 2023-08-03 10:02:27 · 72 阅读 · 0 评论 -
SSD目标检测算法
作者提出了一种仅需要单个深度神经网络的目标检测方法 — SSDSSD网络在不同分辨率的特征图进行预测,可以处理不同大小的物体SSD比需要物体候选框的方法简单,因为它完全地去除了proposal生成和随后的特征再筛选的过程在Nvidia Titan X 上300X300的输入图像,SSD在VOC2017测试上的mAP是74.3%,速度是59FPS,对于512的输入,SSD的mAP是76.9%原创 2023-05-19 17:23:13 · 311 阅读 · 0 评论 -
浅析YOLO V3
作者:Joseph Redmon and Ali Farhadi单位:University of Washington发表会议及时间:TECH REPORT 2018。原创 2023-05-12 23:45:00 · 75 阅读 · 0 评论