CV
文章平均质量分 92
Computer Vision
_pinnacle_
Don't pray for an easy life, pray for the strength to endure a difficult one --- Bruce Lee
展开
-
目标检测模型、卷积网络的感受野与分形特征
最近几年深度学习的快速发展对目标检测(Object Detection)领域也产生了巨大的影响,各种SOTA(State of Art)的模型也层出不穷,包括但不限于Faster-RCNN,YOLO,SSD,FCOS等等,很多时候我们看论文和模型容易陷入其复杂的细节之中,而得不到全局的视野,尤其是像Yolo系列各种堆版本也是看的眼花缭乱。事物的发展也许就是这样的吧,刚开始都是各种复杂,越到后面越能看到基本原理,也越能理解事物本身。原创 2022-11-13 10:00:22 · 1087 阅读 · 0 评论 -
特斯拉自动驾驶中的 OccupancyNetworks & NeRFs
Occupancy Networks去寻找Occupancy Volumes或Occupancy Grid,即三维空间中被物体占据的格点或空间,这个算法其实能很好的规避Corner Case问题Neural Radiance Fields ,NeRFs 即神经辐射场,这个算法和Occupancy Grid一脉相承,都是在解决如何准确的建模我们所处的三维空间原创 2022-10-02 12:26:49 · 2680 阅读 · 0 评论 -
真实世界中的开集识别问题(Open-Set Recognition Problem)
开集分类问题(open-set problem)不仅仅包含0~9的字符类别,还包含其他如A~Z等等的未知类别,但是这些未知的类别并没有标签,分类器无法知道这些未知类别里面图像的具体类别,如:是否是A,这些许许多多的不同类别图像共同构成了一个类别:未知类别,在检测里面我们叫做背景类别(background),而开集分类问题的目的即是:**正确划分这10个类别且正确拒绝非数字类别**原创 2019-07-27 21:47:05 · 20303 阅读 · 13 评论 -
物体检测中的困难样本挖掘(Online Hard Sample Mining)
对于物体检测问题而言,检测器面对的是整个世界的物体,这些物体里面只有非常少的被标记了具体类别,大量的物体其实并没有类别信息,甚至根本不知道如何标记他的类别,所以面对开集问题,我们要求检测(分类)器要有非常好的排他能力或排除背景类别能力,那么训练数据将会非常重要,为了有这样的能力我们需要切割下大量的背景作为负样本(negative samples)来训练,但是这些背景样本是否足够了?**不管加了多少背景数据,目前都无法从理论上回答这个问题:背景是否足够。** 而事实上不管如果加背景数据训练,模型总能遇原创 2019-07-25 22:15:02 · 13082 阅读 · 5 评论 -
如何快速搭建一个简单图像搜索引擎
这里只是图像搜索入门级的note,要更好的架设一个完整的图像搜索引擎,可以参考:图像处理,图像识别(计算机视觉),机器学习领域中的论文。图像特征 图像常用的特征大概包括了:颜色特征、纹理特征、形状特征、空间关系特征。而如何合理的提取图像特征是制约图像搜索或者其他图像识别相关任务的关键问题。 传统(或者非学习)的图像特征算法,比较常见的有:SIFT算法及其变种,指纹算法函数,bu...原创 2017-03-03 13:38:59 · 2541 阅读 · 2 评论