目标检测文献阅读笔记（一）

最新推荐文章于 2024-07-03 22:30:19 发布
最新推荐文章于 2024-07-03 22:30:19 发布
阅读量2.6k 收藏 4
点赞数
分类专栏： 文献阅读笔记 文献阅读笔记
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/u013088062/article/details/49946021
版权

如果觉得这篇文章对您有所启发，欢迎关注我的公众号，我会尽可能积极和大家交流，谢谢。 




　　最近研究了一段时间的目标检测问题，将阅读的一些文献资料总结如下：

　　1、使用增强2DPCA和ML算法估计的目标追踪（Object tracking using incremental 2DPCA learning and ML estimation）（英文，期刊，2008，EI检索）

　　这篇文章的最大作用就是帮我们找到了增强型2DPCA（双向2DPC）的原始文献。

　　2、2DPCA：人脸识别的新方法（Two-Dimensional PCA：A new approach to appearence based face representation and recognition）（英文，期刊，2004，EI检索）　　

　　这是2DPCA的原始文献，对2DPCA如何根据图像提取PCA分量的原理讲解得很清楚，推导过程中对某些矩阵运算没有弄太懂。唯一不足的是文章并没有给出2DPCA的具体算法步骤，需要进一步在网上搜索代码。这篇文章透漏出一个最基本的想法：所谓2DPCA，就是直接对训练样本集的均值协方差矩阵进行一次主成分分析。

　　3、基于仿射变换与模板更新策略的目标跟踪方法（中文，期刊，2001，知网）

　　文献非常古老，看这篇文献的目的即是了解仿射变换在目标跟踪中的应用和作用。文中对仿射变换的作用给出了一个解释：能够是的目标矩形框随着目标的变化而进行放大、缩小、旋转。

　　4、基于稀疏表示的目标跟踪算法（中文，学位论文，2013年，知网）

　　读了这篇硕士论文之后基本上了解了如何应用稀疏表示技术进行目标跟踪。这里稀疏表示主要应用于两个方面：判决模型和筛选粒子时求解粒子的权重。通过稀疏求解给候选粒子打上标签，分配权重，既增加了粒子数量，又使得运算不过于复杂。

　　5、基于深度特征表达与学习的视觉跟踪算法研究（中文，期刊，2015，知网）

　　PCANet在目标跟踪的应用，很原始，改进空间也很大。

　　6、VIBE：一种有效的视频流背景建模方法（VIBE：A powerful random technique to estimate the background video sequences）（英文，会议论文，2009年，EI检索）

　　介绍了VIBE这个基本的、巧妙的背景建模方法。

　　7、基于粒子滤波和稀疏表示的视频目标跟踪（中文，期刊，2015，知网）

　　粒子滤波+琐碎模板+稀疏表示+L1范数最小化，其中对仿射变换和粒子滤波之间的联系介绍得比较清楚。

　　8、融合背景信息的分块稀疏表示跟踪算法（中文，期刊，2013，知网）

　　论文与现有的跟踪算法原理很接近

　　9、基于2DPCA的人脸识别研究（中文，学位论文，2014，知网）

　　主要从这篇论文中学习一些2DPCA的原理知识，不过文中并没有详细说明如何实现2DPCA方法。

　　10、基于2DPCA和L1范数的目标追踪（Object tracking via 2DPCA and l1-regularization）（英文，期刊，2012，IEEE检索）

　　2DPCA提取特征，L1范数稀疏定位置，效果非常好。

　　

山在岭就在
关注
专栏目录
论文阅读笔记 | 三维目标检测——PartA2算法
Clichong
11-25 1650
PointRCNN中发现了基于点云的3d目标中相比2d检测有一个与生俱来的优势，就是3d的标注框不仅提供了检测的目标框，同时还提供语义分割的前景点（也就是目标框中的点）。**在PartA2中，作者进一步发现了我们不仅可以获得需要检测的标注框及其包括的前景点，我们还可以获得每个前景点在标注框中的空间分布信息，或者说是每个前景点在标注框内的相对位置信息**。在现有的研究下，其实并没有完全的将3d标注框的信息完全利用上，这种前景点在标注框的分布信息是有利于提高3d检测网络的性能的。
论文阅读笔记 | 三维目标检测——F-PointNet算法
Clichong
11-18 2561
基与鸟瞰图投影的方法（类似MV3D）会在垂直方向上存在物体的遮挡，难以推广到其他更加广泛的真实场景。且现有对深度信息的提取也只限于二维特征图中（一般构造成二维的深度特征图），这样的量化表征方式会模糊自然3d对象的模式。现有工作很少直接对点云数据进行直接处理，此时出现了两个直接基于点云提取特征的结构：PointNet与PointNet++，如何利用这两个新颖结构进行3d目标检测也是难点之一。 F-PointNet的一大创新是利用点云数据来表示深度信息，而不是映射在二维的深度通道上。简单来说，对来自RGB图像
目标检测必看的六篇经典综述文章
09-14
六篇经典的综述介绍目标检测的论文阅读，理解目标检测的相关技术进展以及未来的发展趋势
object dection资源
weixin_34032792的博客
05-02 178
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html
如何找到关于目标检测小论文的创新点
最新发布
Xiao_Ya__的博客
07-03 286
如何找到关于目标检测小论文的创新点
目标检测算法文献2.0
07-29
这里是运动目标检测相关算法的集合，具体的介绍可以参考我的主页上的博文：运动目标检测算法文献阅读笔记
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
与君共勉，一起学习
04-19 5187
深度学习论文阅读（七）：R-CNN《Rich feature hierarchies for accurate object detection and semantic segmentation》Abstract 摘要1.Introduction 引言2.Object detection with R-CNN 使用 R-CNN 做物体检测2.1 Module design Region proposals 模块设计区域推荐2.2Test-time detection 测试阶段的物体检测2.3 Traini
目标检测——文献阅读之R-CNN
qq_18644873的博客
12-12 533
参考https://www.cnblogs.com/kingstrong/p/4969472.html 论文：Rich feature hierarchies for accurate object detection and semantic segmentation 1、引文   作者通过在recongnition using regions操作的方法来解决CNN的定位问题，这个方法在目标...
目标检测学习笔记
weixin_41870056的博客
12-22 554
标检测学习笔记（三、深入篇）5 损失函数5.1 匹配策略（Matching Strategy）5.2 损失函数3.3 难例挖掘（Hard Negative Mining） 本篇续上一篇，继续学习目标检测相关知识。笔记仅为巩固个人学习效果、督促自我进步用，若有读者发现不正确的地方请不吝指教。 参考链接：https://datawhalechina.github.io/dive-into-cv-pytorch/#/?id=dive-into-cv-pytorch 5 损失函数 5.1 匹配策略（Matching
视频物体检测文献阅读笔记
Wayne2019的博客
01-06 3039
Impression Network for Video Object Detection 基于印象机制的高效多帧特征融合，解决defocus and motion blur等问题（即视频中某帧的质量低的问题），同时提高速度和性能。 类似TSN，每个segment选一个key frame（注意，TSN做视频分类是在cnn最后才融合不同的segments）。特征融合前需要用Optical
每周一篇 文献阅读—paper7 （航空图像的目标检测）
XX|XX的博客
11-18 680
Clustered Object Detection in Aerial Images译文主要方法介绍 文章链接：https://arxiv.org/pdf/1904.08008.pdf 译文 文章译文参考： https://www.sohu.com/a/344534763_651893?spm=smpc.author.fd-d.2.1569933566105xEzTnmd 主要方法介绍 问题：目...
【计算机视觉】运动目标检测算法文献阅读笔记
ZhangPY的专栏
03-08 1288
先前在博客中对常见的运动目标检测算法有写过一篇总结，详情请参考：http://blog.csdn.NET/kezunhai/article/details/8830787。本文是在校期间写的部分阅读笔记，贴出来，以供参考。 1. Real-Time Moving Object Detection for Video Surveillance        对视频帧进行4×4的Patch
【论文笔记】-目标检测-YOLOv1-You Only Look Once: Unified, Real-Time Object Detection
m0_37579232的博客
07-09 292
Abstract 以前的算法：通过regioin proposal产生大量的可能包含待检测物体的potential bounding box，再用分类器去判断每个bounding box里是否含有物体及其所属类别的概率或置信度。（比如：R-CNN,Fast-R-CNN,Faster-R-CNN） YOLO算法：把目标检测看做是一个regression问题来处理，通过一个神经网络，直接从一张图像中预测出bbox的坐标、包含物体的置信度和所属物体类别的概率。因为YOLO的物体检测流程是在一个神经网络中完成的
目标检测, 实例分割, 图像分类, panoptic segmentation文献
轻舟已过万重山
08-27 1154
目标检测文献阅读
运动目标检测算法文献阅读笔记
Belial计算机视觉&机器视觉专栏
07-29 4352
先前在博客中对常见的运动目标检测算法有写过一篇总结，详情请参考：http://blog.csdn.net/kezunhai/article/details/8830787。本文是在校期间写的部分阅读笔记，贴出来，以供参考。 1. Real-Time Moving Object Detection for Video Surveillance        对视频帧进行4×4的Patch，然
计算机视觉---目标检测 经典文献集锦
陆::zw的博客
03-27 1640
https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html#r-cnn
文献精读——（第十四篇）目标检测综述
weixin_37799689的博客
06-01 741
引言 目标检测： 目标检测的目标是确定某张给定图像中是否存在给定类别（比如人、车、自行车、狗和猫）的目标实例；如果存在，就返回每个目标实例的空间位置和覆盖范围（比...
目标检测领域必看的6篇论文
3D视觉工坊
04-27 4118
目标检测是计算机视觉中的经典问题之一，而图神经网络是目前较热的研究方向，两者是否有一些结合的思考呢？下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。本文就为大家推荐其中 6 篇有价值的目标检测论文。目标检测论文推荐202101推荐理由：文章回顾...
研究生文献阅读与笔记技巧
"研究生如何做文献阅读笔记" 研究生在学术研究过程中，文献阅读是必不可少的一环。选择和阅读文献的方法如下： 1. 深入理解背景：在阅读文献时，应全面了解一个主题、概念或领域的历史发展。新旧文献结合阅读，...
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