A-Fast-RCNN: Hard positive generation via adversary for object detection

最新推荐文章于 2018-08-21 14:25:28 发布
最新推荐文章于 2018-08-21 14:25:28 发布
阅读量637 收藏
点赞数
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/u013775900/article/details/72897019
版权

https://github.com/xiaolonw/adversarial-frcnn

  • Object detection requires the ability to be robust to illumination, deformation, occlusion and intra-class variations.

  • data-driven strategy – collect large-scale datasets which have object instances under different conditions.

  • The hope is that these examples capture all possible variations of a visual concept and the classifier can then effectively model invariance to them.

  • long tail : How can we sample such occlusions and deformations which lie on the tail?

https://mp.weixin.qq.com/s?__biz=MzA3Mjk0OTgyMg==&mid=2651123383&idx=1&sn=c2288947a721c5b88a5752bfac2ab5a2&chksm=84e6c7e6b3914ef0099c4cde6a1f2abad7623c1241a8f25cd2fbc18461b8aeb0fcb83778d0ce&mpshare=1&scene=1&srcid=0607ffLi3ZiOtO92OBb8BtLt&pass_ticket=P1YKbdSYRiC8HMaaqQDBffu2sMVg%2BMSXav4J1J6rknS%2FKu%2BERXnonUMhNLlNJYRB#rd

Letitia_xx
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习应用于计算机视觉的最新进展论文合集--11篇标志性的重大进展论文
12-07
A-Fast-RCNN_Hard Positive Generation via Adversary for Object Detection；DSSD_Deconvolutional Single Shot Detector；Enhancement of SSD by concatenating feature maps for object detection；。。。。。
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
我是一个菜鸟，虚心学习的菜鸟。
05-16 3956
这篇论文作者在Fast RCNN的基础上，运用对抗生成网络GAN的思想，加入了两个对抗网络来加强Fast RCNN算法的鲁棒性，下面的内容是这篇文章的翻译，我已经修改过大部分的内容使得读起来比较通顺，接下来准备研究代码，根据作者的思想看看能否加入一点自己的东西。 代码：https://github.com/xiaolonw/adversarial-frcnn A-Fast-RCNN:H
A-Fast-RCNN:Hard Positive Generation via Adversary for Object Detection
qq_16540387的博客
03-02 492
一 摘要 这些近年来的建立在从ImageNet分类的任务中成功学到的强大的深层特征，因此，物体检测领域取得了显著地进步。最近的研究集中在物体检测系统主要有三个方向。 第一个方向依赖于改变这些网络的基础架构。中心思想是使用更深层次的网络不仅可以导致分类改进，而且可以导致目标检测性能提高。最近在这方面的一些工作包括ResNet，Inception-ResNet和ResNetXt 。 第二个研究领...
对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
AI小作坊 的博客
04-12 1万+
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection CVPR 2017 Caffe code : https://github.com/xiaolonw/adversarial-frcnn本文将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和
阅读小结：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
郑哲东的博客
06-16 1540
arXiv: https://arxiv.org/pdf/1704.03414.pdf What: 1. 目标是去增强  检测器对于遮挡和形变 的泛化能力  2. 但是数据集中一般   遮挡和形变 的图像较少   3. 所以作者提出了 adversary的方法去增加 训练难度 4. 整个网络是 基于 Fast-RCNN 而不是 Faster-RCNN How:
RCNN-FastRCNN-FasterRCNN-MaskRCNN-TensorMask论文
03-30
2017 A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 2018 Mask R-CNN 2019 TensorMask: A Foundation for Dense Object Segmentation 博客整理：...
Distributed fault detection for second-order discrete-time multi-agent systems with adversary
02-09
Distributed fault detection for second-order discrete-time multi-agent systems with adversary
Intelligence-Driven Incident Response: Outwitting the Adversary pdf
06-19
Using a well-conceived incident response plan in the aftermath of an online security breach enables your team to identify attackers and learn how they operate. But, only when you approach incident ...
natural-adversary:生成自然对抗示例，ICLR 2018
05-18
产生自然对抗的例子ICLR 2018年论文“”的代码。参考 @inproceedings{zhengli2018iclr, title={Generating Natural Adversarial Examples}, author={Zhao, Zhengli and Dua, Dheeru and Singh, Sameer}, booktitle={...
对抗网络之目标检测应用：A-Fast-RCNN
跟随技术的脚步-linolzhang的专栏
08-05 9473
对抗网络之目标检测应用：A-Fast-RCNN       论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 【点击下载】       Caffe代码：【Github】一. 深度学习正确的打开方式       深度学习的根基在于样本，大量的样本决定了深度网络的精确度和收敛性，针对样本的挖掘是深度学
CVPR17论文有感：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
Trasper1的博客
08-09 1213
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 还是那个老故事，即如何解决Deep检测跟踪器训练时正样本（尤其在occlusion和deformation情况下的hard positive）不足的问题。这个问题的紧迫性在于这样样本的缺失导致训练所得网络在occlusion、deformation等a...
目标检测之CNN系列
Marshall的专栏
06-20 1万+
排行榜pascal VOC:http://host.robots.ox.ac.uk:8080/leaderboard/main_bootstrap.phpcoco:http://mscoco.org/dataset/#detections-leaderboardkitti:http://www.cvlibs.net/datasets/kitti/eval_object.phpRegionlets ...
A-Fast-RCNN代码运行以及问题解决方法
我是一个菜鸟，虚心学习的菜鸟。
05-22 2643
最近读了A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection这篇论文，读了之后根据作者提供的代码，准备跑一跑作者的代码。但是作者给的代码只有ASDN网络部分的，ASTN网络部分的还没有给出来，先说说自己跑代码的时候遇到的一些坑以及代码的运行过程。  首先是从官网克隆代码：
[深度学习论文笔记][CVPR 17 oral]A-Fast-RCNN： Hard Positive Generation via Adversary for Object Detection
KFXW的专栏
02-23 1516
这篇文章提出了一种新的对手生成策略，通过训练提升检测网络对遮挡、形变物体的识别精度。遮挡和形变是检测任务中影响模型性能的两个显著因素。增加网络对遮挡和形变的鲁棒性的一个方式是增加数据库的体量。但是由于遮挡的图片一般都处在图像分布的长尾部分，即便增加数据，遮挡和形变的图片仍是占比较少的部分。另一个思路就是使用生成网络产生遮挡和形变图片。然而遮挡和形变的情况太多，直接生成这些图片还是比较困难的事情。
目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
cv_family_z的博客
04-13 6036
如何训练一个目标检测器，对遮挡和形变鲁棒，目前的主要方法是增加不同情况的图像数据，但这些数据有时又特别少。作者提出使用对抗生成有遮挡或形变的样本，这些样本对检测器来说比较困难，使用这些困难的正样本训练可以增加检测器的鲁棒性。与Fast-RCNN比较，在VOC2007上，mAP增加了2.3%，VOC2012上增加了2.6%。不同遮挡或形变的物体如下图所示： Fast-RCNN检测器损失函数有两项，s
论文笔记 Fast R-CNN细节
xiaoxiang_AQ 的博客
10-15 1876
当我决心认真地看Faster R-CNN代码的时候，我就觉得有必要把 Fast R-CNN的论文的细节再从新完整地看一遍了。对，是细节，如何实现的部分，于是有了此篇博客。请注意是 Fast R-CNN笔记。
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
论文笔记 《Fast R-CNN》
Fantasy_Fly的博客
07-15 5万+
转载自http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/ 论文出处见：http://arxiv.org/abs/1504.08083 项目见：https://github.com/rbgirshick/fast-rcnn R-CNN的进化版，0.3s一张图片，VOC07有70的mAP，可谓又快又强。 而且rbg的代码一般
def adversarial(x, model, loss_func, c=1e-4, kappa=0, num_iter=100, lr=0.01): """ Create adversarial examples using CW algorithm Args: - x: input image - model: the neural network model - loss_func: the loss function to use - c: the weight for the L2 regularization term (default=1e-4) - kappa: the confidence parameter (default=0) - num_iter: number of iterations for the algorithm (default=100) - lr: learning rate for the optimization (default=0.01) Returns: - x_adv: adversarial example """ x_adv = x.clone().detach().requires_grad_(True) for i in range(num_iter): output = model(x_adv) loss = loss_func(output, torch.tensor([kappa]), x, x_adv, c) model.zero_grad() loss.backward() with torch.no_grad(): x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x - 0.35) x_adv = torch.clamp(x_adv, 0, 1) x_adv.requires_grad_() return x_adv.detach()上述代码出现TypeError: ce_loss() takes 2 positional arguments but 5 were given错误，请改正
最新发布
06-01
loss = loss_func(output, kappa, target=x, adversary=x_adv, c=c) model.zero_grad() loss.backward() with torch.no_grad(): x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x -...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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