![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
weixin_37958272
这个作者很懒,什么都没留下…
展开
-
RCNN系列总结
RCNNfast RCNNfaster RCNNSPP原创 2020-08-21 15:35:37 · 91 阅读 · 0 评论 -
YOLOv4 Optimal Speed and Accuracy of Object Detection
YOLOv4: Optimal Speed and Accuracy of Object Detection有大量的特征据说可以提高卷积神经网络(CNN)的准确性.需要在大型数据集上对这些特征的组合进行实际测试,并对结果进行理论上的论证.有些特征只对某些模型和某些问题进行专门的操作,或者只对小规模的数据集进行操作;而有些特征,如batch-normalization和residual-connections,适用于大多数模型、任务和数据集。我们假设这样的通用特征包括Weighted-Residual-Co翻译 2020-08-19 18:34:44 · 544 阅读 · 0 评论 -
Path Aggregation Network for Instance Segmentation
Path Aggregation Network for Instance Segmentation信息在神经网络中的传播方式是非常重要的。在本文中,我们提出了PANet(Path Aggregation Network),旨在提升proposal-based 的实例分割框架中的信息流。具体来说,我们通过自下而上的路径增强(path augmentation),在下层用精确的位置信息增强整个特征层次,从而缩短下层和最上层特征之间的信息路径。我们提出了adaptive feature pooling,将fe翻译 2020-08-13 18:24:33 · 1187 阅读 · 0 评论 -
ROI Pooling和ROI Align
ROI Pooling和ROI Align转载 2020-08-12 14:55:19 · 66 阅读 · 0 评论 -
SPP
Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition扩展阅读:SPP(Spatial Pyramid Pooling)详解SPP现有的深度卷积神经网络(CNNs)需要一个固定尺寸(如224x224)的输入图像。这种要求是 “人为的”,可能会降低任意大小/尺度的图像或子图像的识别精度。在这项工作中,我们为网络配备了另一种池化策略,即 “空间金字塔池化”,以消除上述要求。新的网络结构,称为SPP-net,翻译 2020-08-11 17:29:53 · 1818 阅读 · 0 评论 -
CSPNET
CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNINGCAPABILITY OF CNN神经网络已经使最先进的方法在计算机视觉任务上取得了令人难以置信的结果,如物体检测。然而,这种成功很大程度上依赖于昂贵的计算资源,这阻碍了拥有廉价设备的人欣赏先进技术。在本文中,我们提出了跨阶段部分网络(Cross Stage Partial Network,CSPNet),从网络架构的角度来缓解之前的作品需要大量推理计算的问题。我们将该问题归结为网络优化中重复的梯度信息。**翻译 2020-08-11 00:06:17 · 1962 阅读 · 0 评论 -
CBAM
CBAM我们提出了卷积块注意力模块(CBAM),这是一个简单而有效的前馈卷积神经网络的注意力模块。给定一个中间特征图,我们的模块沿着通道和空间两个独立的维度依次推导注意力图,然后将注意力图乘以输入的特征图,进行自适应的特征细化。由于CBAM是一个轻量级的通用模块,它可以无缝集成到任何CNN架构中,开销可以忽略不计,并且可以和基础CNN一起进行端到端训练。我们通过在ImageNet-1K、MS COCO检测和VOC 2007检测数据集上的大量实验来验证我们的CBAM。我们的实验表明,各种模型在分类和检测性能翻译 2020-08-10 16:28:28 · 5247 阅读 · 0 评论 -
Distance-IoU Loss
Distance-IoU Loss边界盒回归是物体检测的关键步骤。在现有的方法中,虽然广泛采用lnl_nln-norm loss来进行边界盒回归。最近,有人提出了IoU损失和generalized IoU(GIoU)损失,以利于IoU度量,但仍存在收敛速度慢和回归不准确的问题。在本文中,我们通过加入预测框和目标框之间的归一化距离,提出了一种Distance-IoU(DIoU)损失,在训练中收敛速度比IoU和GIoU损失快得多。此外,本文还总结了边界框回归中的三个几何因素,即重叠面积、中心点距离和长宽比,翻译 2020-08-07 17:17:14 · 814 阅读 · 0 评论 -
UnitBox An Advanced Object Detection Network
UnitBox An Advanced Object Detection Network在目前的物体检测系统中,利用深度卷积神经网络(CNNs)来预测物体候选的边界框,与传统的区域建议方法相比,获得了性能上的优势。然而,现有的深度CNN方法假设对象边界为4个独立变量,可分别由l2l_2l2 loss进行回归。这样一个过度简单的假设与广受好评的观察结果相反,即这些变量是相关的,导致定位的准确性降低.为了解决这个问题,我们首先引入了一种新型的Intersectiono ver Union(IoU)损失函数用翻译 2020-08-07 11:27:30 · 924 阅读 · 0 评论 -
Deformable ConvNets v2
Deformable ConvNets v2可变形卷积网络的优越性能源于其对物体几何变化的适应能力。通过对其自适应行为的研究,我们发现虽然对其神经特征的空间支持比常规的转换更符合对象结构,但这种支持可能会远远超出感兴趣的区域,导致特征受到不相关图像内容的影响。为了解决这个问题,我们再次提出了一种可变形的ConvNets,通过增强建模能力和更强的训练来提高其聚焦于相关图像区域的能力。通过更全面地整合网络内的可变形卷积,并引入modulation mechanism,扩大了变形建模的范围,增强了建模能力。为了翻译 2020-08-04 15:18:52 · 930 阅读 · 0 评论 -
FPN:feature pyramid networks for object detection
FPN:feature pyramid networks for object detection转载 2020-08-03 17:49:57 · 71 阅读 · 0 评论 -
R-FCN
R-FCN:Object Detection via Region-based Fully Convolutional Networks转载 2020-08-03 16:26:32 · 85 阅读 · 0 评论 -
Faster-RCNN
目标检测-论文阅读-Faster RCNN一文读懂Faster RCNN原创 2020-08-03 15:01:29 · 82 阅读 · 0 评论 -
CenterNet
Objects as Points大多数成功的目标检测器都会列出一个几乎详尽的潜在目标位置列表,并对每个位置进行分类。这是浪费,效率低下,需要额外的后处理。在本文中,我们采取了不同的方法。我们将一个对象建模为一个点,即其边界框的中心点。我们的检测器使用关键点估计来找到中心点,并回归到所有其他对象属性,如尺寸、三维位置、方向甚至姿势。我们的基于中心点的方法,CenterNet,是端到端的,比相应的基于bounding box的检测器更简单、更快速、更准确。CenterNet在MSCOCO数据集上实现了最佳的翻译 2020-07-22 11:29:40 · 730 阅读 · 0 评论 -
CornerNet
CornerNet我们提出了CornerNet,这是一种新的物体检测方法,我们用一个单一的卷积神经网络将物体边界框检测为一对关键点,即左上角和右下角。通过将目标作为成对的关键点进行检测,我们不需要设计一组先前single-stage探测器中常用的anchor boxes。除了我们新颖的公式外,我们还引入了corner pooling,这是一种新型的池层,可以帮助网络更好地定位角点。实验表明,角网在MS-COCO上获得了42.2%的AP,优于现有的单级检测器。3 CornerNet3.1 Overvie翻译 2020-07-20 11:41:08 · 507 阅读 · 0 评论 -
Faster RCNN
Faster RCNN3.1.2 Loss Function为了训练rpn,我们为每个anchor分配一个二进制类标签(不管是否为对象)。我们给两种anchor分配一个正标签:(i)与ground-truth box有最高IoU的anchor。(ii)与ground-truth box的IoU交集大于0.7的anchor。请注意,一个ground-truth box可以将正标签分配给多个anchor。通常第二个条件足以确定阳性样本;但我们仍然采用第一个条件,因为在某些罕见的情况下,第二个条件可能找不到阳翻译 2020-07-05 23:11:57 · 84 阅读 · 0 评论