- 博客(7)
- 资源 (12)
- 收藏
- 关注
RSS订阅原创 检测算法阶段性总结（1）
截止日期：2019.6.26当前的检测算法可谓是人才辈出，我菜只能仰望。当前主流的模式主要分为三大类单阶段：代表有SSD、YOLO，retinanet。多阶段的：代表有Faster-Rcnn，Cascade RCNN。基于点的：代表有FCOS，FSAF一、单阶段单阶段的始于YOLO，其主要思想是通过在最后的feature上取anchor来获取最终的检测结果。ssd对其进行改进...
2019-06-26 18:45:27
1001
原创 mmdetection(7): Region Proposal by Guided Anchoring
这篇文章解决了anchor手动生成的问题，其想法也很简单，在最近的论文中，产生了一种类似利用分割图的思想，比如FSAF，很有意思这篇文章就是利用如上的思想，原始框架如上图所示，不过是把原来的RPN改为Guide anchoring，都是产生anchor和原始特征图。Faster-RCNN是根据anchor产生的，该文则是直接预测每个点是否是anchor中心点。如下图所示：对于每个...
2019-06-26 14:54:44
1534
转载 mmdetection(6):Gradient Harmonized Single-stage Detector
目标检测方法分为两大阵营，一类是以Faster RCNN为代表的两阶段检测的方法，一类是以SSD为代表的单阶段检测方法。两阶段方法在检测精度更出色，单阶段检测方法的Pipline则更简洁，速度更快，但是精度不如两阶段检测方法，一个原因是单阶段的检测方法受限于正负样本和简单困难样本的不均衡问题，导致训练效果不佳。为了解决这种不均衡的问题，有研究者提出了在线困难样本挖掘的方法(OHEM)，但是这个方法...
2019-06-22 18:31:13
929
原创 mmdetection(5)：GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond 理解
这篇文章让我很是疑惑，已经跑离作者的思路了，欧克，那我们先来看一下把， a模型是NL block ，即non-local ，我们前文讲过，意思就是通过操作 i 和 j 点的特征，来判断其是否应该相连，然后在乘加上 j 点的特征，最后得到 i 点卷积的结果。那wh*wh就表示相连关系啊。那我们来梳理一下啊，NL我们到底要个什么东西，很明显我们的要的是卷积的结果啊，而卷积的是 各个 j 点啊，类...
2019-06-22 17:49:47
4312
3
原创 mmdetection(4)：An Empirical Study of Spatial Attention Mechanisms in Deep Networks
你以为的attention机制只有m(2）和m（3）吗？ 年轻；mmdetection(2)： DeformableConvNets(DCN)mmdetection(3)：Non-local Neural Networksok， 我们来分析一下，m（2）是啥，可变卷积，怎么搞的，增加偏移量啊。好，这是根据位置关系来确定attention。然后的m（3）呢。根据的使两个点的特征，这是根据特...
2019-06-22 16:32:53
3833
4
原创 mmdetection(3)：Non-local Neural Networks
这是篇很有意思的文章，为什么呢，我们来分析一下，CNN是固定尺寸，大小，位置的卷积操作，但是很多情况下，图像的信息并不是固定尺寸的，然后dcn提出了，参见下文。https://blog.csdn.net/u014119694/article/details/93210130咋搞的呢，就是增加偏移量啊，我还是3x3的卷积，但是取不同位置，给他增加个偏移，是不是就很优秀啊，nonono，有更简单...
2019-06-22 16:00:18
823
原创 mmdetection(2)： DeformableConvNets(DCN)
先来点干货，基于pytorch的代码： https://github.com/4uiiurz1DCN可以说是打破了传统的CNN，那到底是怎么搞的呢v1： https://arxiv.org/abs/1703.06211既然原始的只能提取特定区域，那我们给其加上个位移不就ok了那位移应该怎么加呢，简单啊，每个kernel不是3x3吗（常见），那就在添加9个位移变量，分别对应3x3的每个权重...
2019-06-21 17:55:23
7361
8
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人