![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
paper reading
smallplum123
这个作者很懒,什么都没留下…
展开
-
Feature Pyramid Networks for Object Detection
Introduction多尺寸是物体识别的一个难题。传统方法解决问题的方法是下图(a)的方式,构造一个图像的金字塔,然后计算他们的特征形成特征金字塔,然后再每一层特征上去做预测。但是这涉及到尺寸覆盖的问题,对于DPM这样的方法,就需要非常dense(稠密)的金字塔了。神经网络的方法只需要在最后一层feature map上做预测,也能获得比较好的结果了,如下图(b)。但是对于小物体,表现还是原创 2017-01-12 18:43:41 · 5689 阅读 · 7 评论 -
YOLO9000: Better, Faster, Stronger
Abstract作者提出YOLO9000,在速度相当的情况下,YOLO9000比ResNet 和 SSD 获得更高的精度。并且,作者提出一种joint training 的方法,把detection dataset 和classification dataset 结合起来,产生一种检测9000种类别的detector.Introduction目前来说,公开的detect原创 2017-01-11 16:16:17 · 1758 阅读 · 2 评论 -
Finding Tiny Faces
Overview of detection pipelineMulti-task modeling of scales前面a, b两种是传统的 model 方式。 b的缺点是,如果某个尺寸的 model 的样本少的话,不利于训练。而c有利于解决这种问题。 d,e 是作者提出的: d 加入 context 信息, e 利用多层的特征。原创 2016-12-21 23:23:14 · 3683 阅读 · 4 评论 -
How Far are We from Solving Pedestrian Detection?
摘要作者从 传统方法 和 最近比较火的convnets 来分析当前行人检测出错的地方,错误主要包括两种:定位(localisation)错误;和前景背景区分错误。并提出了一个经过新的校准的Caltech dataset.一、引言1. 定位问题是 导致high confidence的虚警的重要原因,解决这个问题的途径是提高训练集的标注信息的准确度;前景背景的区分度原创 2016-07-02 18:14:24 · 872 阅读 · 2 评论