- 博客(6)
- 收藏
- 关注
RSS订阅原创 2D目标检测综述之学习策略篇（终章）
一、训练阶段 在这一部分，我们回顾几种用于训练目标检测器的学习策略。具体包括数据优化、不平衡采样、定位细化和其他一些学习策略。1.数据增强 数据增强对于几乎所有的深度学习方法都很重要，因为它们通常需要大量数据，更多的训练数据会产生更好的结果。在目标检测中，为了增加训练数据并生成具有多种视觉特性的训练图片，Faster R-CNN运用了水平翻转的方法。在单阶段检测器中使用了更密集的数据增强策略，包括旋转、随机裁剪、扩展和颜色抖动。这些增强策略使得检测精度有了显著提高。（alb......
2022-07-22 10:38:46
1200
5
原创 2D目标检测综述之提议生成和特征表示篇（三）
一、提议生成（Proposal Generation） 基于锚的方法 监督提议生成器中有一个大家族叫做基于锚（anchor）的方法。随着区域提议网络（RPN）的提出，我们开始在深度卷积特征图上以监督的方式生成提议。如下图所示：RPN用一个3×3的卷积核在一张特征图上滑动，对于每一个位置，我们考虑k个锚框，它们的尺寸和比例各不相同。这些变化的尺寸和比例允许网络在特征图上匹配到不同比例的对象。基于真实边界框（ground truth box），我们用最合适的锚框匹配到目标的...
2022-07-18 21:40:05
876
原创 点云SSD模型
一、CIA－SSD：Confident IoU-Aware Single-Stage Object Detector From Point Cloud 目前已知的单阶段点云目标检测器大多将目标定位和类别分类视为两个独立的任务，导致定位准确性以及类别置信度二者不太一致，除此之外还伴随着一些冗余的检测结果，具体情况如下图所示：CIA－SSD的整体架构如下图所示：1.将点云进行编码 我们首先将点云体素化，然后在体素空间中计算每个体素中点的平均XYZ坐标和反射强度，并...
2022-07-17 18:21:34
1311
原创 基于点云的深度学习方法综述
我们生活在一个三维世界里，自从1888年相机问世以来，三维世界的视觉信息就通过相机被映射到二维图象上。但是二维图像的缺点也是显而易见的，那就是缺少深度信息以及真实世界中目标之间的相对位置。所以这种数据表示方法不适合应用在机器人、自动驾驶、虚拟现实等对深度和位置有要求的领域中。为了捕捉到三维世界的深度信息，早期我们使用多目视觉的方法或者来自RGB－D的深度图提取三维空间信息。点云作为一种数据结构，蕴含着丰富的几何信息，我们可以用它表示多目相机和深度图中提取出来的3D信息。一、什么是点云？...
2022-07-17 17:42:04
5352
原创 2D目标检测综述之检测模型篇（二）
一、二阶段检测器1.R－CNNR－CNN分为以下4个模块：区域提议生成：作者使用选择性搜索算法从每张图像上生成2000个类别独立的区域提议。 区域特征提取：遵循AlexNet的架构，作者使用一个CNN，该CNN包含5个卷积层和2个全连接层从每个区域提议中提取固定长度的特征向量（4096－dimentional）。作为CNN，输入图像的尺寸必须是固定的（227×227），作者使用了图像扭曲的方法，将每个区域提议都调整为了固定尺寸，而无需关心原始图像的尺寸和比例。 SVM分类模块：作者使用.
2022-07-17 16:05:35
1255
原创 2D目标检测综述之神经网络篇
一、神经网络架构1.卷积层 该层是卷积网络的基本单元。它由一系列排列着神经元的特征图组成。该层的参数是一系列的卷积核（滤波器）。这些卷积核与特征图进行卷积从而产生单独的二维激活图，它们在z轴上堆叠产生最终的输出。同一张特征图的神经元共享权重，通过降低参数数量可以减少网络复杂度。两层神经元之间稀疏连接的空间扩展是称为感受野的超参。卷积层中控制输出大小的超参称为深度（滤波器的数量），步幅（控制滤波器的移动）以及零填充（控制输出空间大小）。卷积网络使用反向传播进行训练，反向传播也涉及卷积运算，但...
2022-07-16 14:23:23
661
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人