ML&DL
Book
-
The fastai deep learning library
入门导师,带我走进了机器学习的世界 -
Coursera-ML-AndrewNg-Notes
吴恩达老师的机器学习课程个人笔记, "小时候”也是听吴恩达老师课程过来的, 感恩 -
Deep Learning 中文翻译
花书的中文翻译本,太厚了,慢慢啃吧 -
【机器学习实战】第二期-教学版本
机器学习实战,解说+源代码 -
深度学习
作者在学习过程中,收集的一些经典论文+博文 -
machine learning note
一个特别喜欢看论文的博主,不看论文,git clone是对知识和理论的一种藐视,从书籍的目录大纲来看,博主涉略的机器学习领域非常广,想想自己3-5年了还在1-2个领域打滚。 -
Classic-ML-Methods-Algo
博主梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),研读。 -
周志华老师的《机器学习》西瓜书的相关资料,数学公式推导证明
-
DeepLearning-500-questions 深度学习灵魂拷问,要多细有多细
-
The most cited deep learning papers
以往比较好的论文 -
Awesome Machine Learning
精选的机器学习框架、库和软件列表 -
MachineLearning_Python机器学习算法python实现,线性回归,逻辑回归,k-mean等算法
Anchor Free
UnitBox: An Advanced Object Detection Network
核心点
- 使用IOU-Loss作为位置预测的依据,证明了IOU-Loss是有效的
参考博文
- UnitBox
- UnitBox:一种新的 IoU 损失函数,把 box 当作一个整体去预测
言简意赅,总结了L2-loss的不足,引出IOU-loss - UnitBox详解
总结了L2-Loss的不足,引出IOU-Loss,同时给出IOU-Loss可以用来做Loss的证明
DenseBox: Unifying Landmark Localization withEnd to End Object Detection
核心点
- 位置预测和类别预测都采用 L2-loss
- 正负样本制作,裁剪截取样本的方式
参考博文
YOLO系列
参考博文
- 第二卷-基于YOLO的目标检测入门教程
博主对yolo系列的论文+代码复现研究的非常深,非常值得收藏,不断的阅读加固。
CornerNet:Detecting Objects as Paired Keypoints(2018)
核心点
- 检测Top-Left, Bottom-right两个焦点热力图 + embedding vector.
- 提出了corner pooling用于定位顶点
- hourglass架构+focal loss
问题点
- 没搞明白为什么corner pooling是有效的。
- 确实没有读懂论文,略有难处
参考博文
- 【Anchor free】CornerNet 网络结构深度解析(全网最详细!)
- 【Anchor free】CornerNet损失函数深度解析(全网最详细!)
结合代码细说了理论,但还是看不懂 - CornerNet:目标检测算法新思路
整体上介绍了CornerNet论文的核心点,没有细说
FCOS: Fully Convolutional One-Stage Object Detection(ICCV 2019)
核心点
- 去anchor,以像素点到四条边界的距离作为监督信息
- 多尺度FPN,解决密集目标物体的重叠问题
- 类别预测+位置预测+center-ness,center-ness可以过滤掉很多质量差的框
- 借鉴UnitBox中的IOU-Loss,作为位置预测的Loss
- 在gt框内的像素点,都可以作为正样本,相比于anchor-base,正样本数量提升非常大
问题点
- 对不同的GT框,用尺度限制,让他们落在对应的特征图上,当然也有可能一个GT框,多个特征图都会去检测它,但大部分的GT框已经被分治
- center-ness,距离中心点比较远的点,值趋向于0,对于判断一个框的质量,是非常好的依据
参考博文
- 《目标检测》-第9章-anchor-free的回归之作:FCOS
讲解详细,多品读
CenterNet: Keypoint Triplets for Object Detection (ICCV 2019)
核心点
- Keypoint-based Detection,在CornerNet的基础上做改进
- 采取三元组关键点(左上点、右下点和center point)
- center pooling,给中心区域(central regions)提供了更有辨识度的信息
- cascade corner pooling,来增强左上corner和右下corner的信息
问题点
- 论文和另一篇文章冲突了,都叫CenterNet,这篇论文应该叫Corner-CenterNet更合适一些,亮点不多,还是看CenterNet:Object as points(2019)
参考博文
- 看了几篇论文,看不动,也没多少人去解读这个论文,估计价值含量太低了吧
CenterNet: Objects as Points (2019)
核心点
- 热力图,关键点偏移,wh回归
问题点
- 这篇文章,值得研究一下源代码
参考博文
- 《目标检测》-第10章-anchor-free之CenterNet的浅析与实现
解读清晰,特别优秀的以为博主,讲yolo系列最精彩,讲到Object as point这篇论文,也有独特的见解 - 《目标检测》-第23章-CenterNet-plus
在前篇的基础上,作者针对backbone做了增量式提升 - 重读 CenterNet,一个在Github有5.2K星标的目标检测算法
- 【Anchor Free】CenterNet的详细解析
Keypoint-based Detection
CornerNet
ExtremeNet
CenterNet
CenterNet(Object as Point)
CSP
CornerNet-Lite
RepPoints
CentripetalNet
SaccadeNet
RepPointsV2
CPNDet
损失函数
-
目标检测中的常用损失函数
梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo) -
Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
- https://mp.weixin.qq.com/s/ZbryNlV3EnODofKs2d01RA
关于IoU系列损失更详细的分析可以参考论文
- https://mp.weixin.qq.com/s/ZbryNlV3EnODofKs2d01RA
-目标检测回归损失函数简介:SmoothL1/IoU/GIoU/DIoU/CIoU Loss
一篇很好的博文,是介绍目标检测中的损失函数的
机器学习相关资料
ML&&AIGC群交流