论文阅读笔记：Object Detection Networks on Convolutional Feature Maps

最新推荐文章于 2024-06-25 09:44:21 发布
最新推荐文章于 2024-06-25 09:44:21 发布
阅读量5.9k 收藏 8
点赞数 3
分类专栏： 论文阅读笔记 深度学习论文笔记 文章标签： 目标检测 featuremap
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/tangwei2014/article/details/46624419
版权
本文是关于CVPR 2015中深度学习和目标检测的研究，探讨了不同方法，包括R-CNN、SPPnet和Hybrid派，并提出固定预训练的ConvNet在特征图上训练NoCs（Network on Convolutional feature maps）的思路。实验表明，预训练+微调效果最佳，而精心设计的网络（如ConvNet with maxout）性能提升显著。
摘要由CSDN通过智能技术生成

这是CVPR 2015的一篇 关于深度学习和目标检测的文章，作者是MSRA的Shaoqing Ren， Kaiming He等。文章下载链接：http://yunpan.cn/cQS7v5ruHFKek 提取码 179e

阅读总结如下（思想重要，实验暂略）：

1. 当前的目标检测方法

  • 总体框架是 feature extractor + object classifier。
  • 传统方法：HOG/SIFT/LBP + SVM/boosted/DPM 。
  • 当前方法又细分为三个流派。
  • 第一种 fine-tuned ConvNet + MLP，以R-CNN为代表。
  • 第二种是想把deep ConvNet 和 traditional detector做一个结合。把传统的 feature extractor 升级为 pre-trained deep ConvNet，但是用传统的分类器，即 pre-trained ConvNet +DPM/boosted, 称为Hybrid派。
  • 第三种方法介于R-CNN和Hybrid之间，pre-trained ConvNet + fine-tuned MLP，以SPPnet为代表。 从性能上来说，R-CNN还是占统治地位，SPPnet和R-CNN接近，Hybrid方法一般要比前两者差点。

2. 问题的提出

  • 当前方
最低0.47元/天 解锁文章
tangwei2014
关注
专栏目录
论文阅读-《Object Detection Networks on Convolutional Feature Maps》
yj_isee的博客
03-14 2567
收录于IEEE Transactions on Pattern Analysis and Machine Intelligence 20151.Background&Motivation 论文的背景是Fast/Faster R-CNN成为当时的检测精度最高的框架，同时Resnet刚发表不久，这个时候，基于回归模型的目标检测框架还没有发表。 作者在论文一开始的时候提出了，基于region propos
Object Detection Networks on Convolutional Feature Maps
chenyanqiao2010的博客
11-29 1944
本文介绍了关于特征提取分类器的一些结论
**检测领域利器：Detection mAP——轻松评估边界框分类任务**
最新发布
gitblog_00040的博客
06-25 228
检测领域利器：Detection mAP——轻松评估边界框分类任务 mean_average_precisionSmall and simple python/numpy utility to compute mean average precision (mAP) on detection task.项目地址:https://gitcode.com/gh_mirrors/mea/mean_av...
Object detection networks on convolutional feature maps
liguandong
03-16 880
Object detection networks on convolutional feature maps Abstract: 1. Introduction Use convolutional layers to extract region-independent features, followed by region-wise MLPs for classification. ...
【每日一网】Day29：NoC：Object Detection Networks on Convolutional Feature Maps简单理解
dudu199806的博客
01-15 425
Object Detection Networks on Convolutional Feature Maps 算法背景 大多数目标检测器包含两个重要的组件，分别为特征提取器和分类器。传统的目标检测方法的特征提取器是手工设计的，例如HOG,分类器一般是svm等。另一种目标检测策略是使用卷积层提取与区域无关的特征，然后按区域划分的多层感知机进行分类，本文中，作者从功能之外的分类器的角度对目标检测系统进行深入研究。专注于在与区域无关的贡献卷积特征之上，并称为NoC 网络结构 卷积特征图由共享卷积层生成，一个特
Object Detection Network———Rcnn（Rich feature hierarchies for accurate oject detection and semantic ）
weixin_44214375的博客
09-25 149
概述 本篇论文的题目是 《Rich feature hierarchies for accurate oject detection and semantic segmentation》，翻译过来就是针对高准确度的目标检测与语义分割的多特征层级，通俗地来讲就是一个用来做目标检测和语义分割的神经网络。 这篇论文也带来了一个观点，那就是当你缺乏大量的标注数据时，比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行 fine-tune 微调。 目标检
[论文阅读笔记] [Object Detection] Feature Pyramid Networks (FPN)
jingwenlai_scut
09-25 267
# [Object Detection] Feature Pyramid Networks 2018-8-9, jingwenlai   ## Network architecture 相较于U-Net等之差类似的技术的不同点是，此前利用pyramid特征等方法均是在最后一层finest的时候才做为特征进行检测，而FPN在每一层pyramid feature均会用来做预测。   F...
笔记：PoseCNN:A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes
kadima_WEI的博客
12-23 878
一种新的用于6D物体姿态估计的卷积神经网络PoseCNN
【FPN】Feature Pyramid Networks for Object Detection论文笔记
OneCoder的博客
08-09 466
1、摘要 Feature pyramids are a basic component in recognition systems for detecting objects at diferent scales.But recent deep learning object detectors have avoided pyramid representations, in part bec...
Frustum PointNets for 3D Object Detection from RGB-D Data 原文 + 阅读笔记
friwang的博客
07-30 1116
Abstract In this work, we study 3D object detection from RGB-D data in both indoor and outdoor scenes. While previous methods focus on images or 3D voxels, often obscuring natural 3D patterns and inva...
UnitBox An Advanced Object Detection Network
weixin_37958272的博客
08-07 932
UnitBox An Advanced Object Detection Network 在目前的物体检测系统中，利用深度卷积神经网络(CNNs)来预测物体候选的边界框，与传统的区域建议方法相比，获得了性能上的优势。然而，现有的深度CNN方法假设对象边界为4个独立变量，可分别由l2l_2l2​ loss进行回归。这样一个过度简单的假设与广受好评的观察结果相反，即这些变量是相关的，导致定位的准确性降低.为了解决这个问题，我们首先引入了一种新型的Intersectiono ver Union(IoU)损失函数用
- UnitBox An Advanced Object Detection Network，arxiv 16.08
_menglan_Zi
08-16 5727
- UnitBox An Advanced Object Detection Network，arxiv 16.08 （download）     该论文提出了一种新的loss function：IoU loss。这点比较有意思，也容易复现。     ======     论文分析了faster-rcnn和densebox的优缺点：         1 fast
【IoU Loss】《UnitBox: An Advanced Object Detection Network》
bryant_meng
04-18 914
ACM MM-2016（Proceedings of the 24th ACM international conference on Multimedia） 文章目录1 Background and Motivation2 Advantages / Contributions3 Method3.1 L2 Loss Layer3.2 IoU Loss Layer: Forward3.3 IoU Loss Layer: Backward3.4 UnitBox Network4 Experiments4..
F2DNet: Fast Focal Detection Network for Pedestrian Detection
weixin_42714574的博客
03-19 4862
F2DNet 论文标题:F2DNet: Fast Focal Detection Network for Pedestrian Detection 论文地址:https://arxiv.org/abs/2203.02331 论文源码:https://github.com/AbdulHannanKhan/F2DNet. 凯撒斯劳滕工业大学 CVPR2022 Introduction ​ 本次工作提出 F2DNet，一种新型的两阶段检测架构，通过用 focal detection network 取代 r
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
南有乔木NTU的博客
12-18 2927
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
笔记：论文笔记Weakly Supervised Deep Detection Networks
博主回家睡觉了。。。
03-01 582
弱监督深度目标检测网络（2016） 摘要 提出一种弱监督的深度检测结构，使其在图像级别上运行，同时进行区域选择和分类。 在PASCAL-VOC数据上隐式学习优于其他弱监督检测系统的目标检测器。 该模型是一个简单的端到端架构，在图像级分类方面也优于标准的数据增强和微调技术。 缺陷：单图同类单个 一.介绍 本文提出了一种新的端到端的弱监督目标检测方法，称之为弱监督深度检测网络（WSD...
论文笔记 Weakly Supervised Deep Detection Networks - CVPR 2016
weixin_43791477的博客
02-14 979
论文笔记 Weakly Supervised Deep Detection Networks
Convolutional Neural Networks（week 3）---Object detection
weixin_38527856的博客
02-11 301
Detection algorithms 一、Object Localization 假设目前的图片中只有一个对象，即最多有一个对象出现在图片中 二、Landmark Detection 给脸的五官进行定位，即确定脸部重要的位置或重要的地标在哪 该人脸部分的关键点有64个，如眼睛、嘴巴、下颚线等，所以总共的输出参数有129个 1个参数判断是否是脸，剩下表示关键特征是否在...
end-to-end object detection with fully convolutional network
03-16
End-to-end物体检测是指使用全卷积网络（Fully Convolutional Network，FCN）来进行物体检测的方法。在这种方法中，输入图像通过一系列的卷积层和池化层来提取特征，最后通过一个分类器来确定图像中是否存在目标物体并确定其位置。这种方法可以避免在图像中进行多次重复的搜索，从而提高效率。
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