![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 82
条竿儿毛好
Talk is cheap, show me the code.
展开
-
Fine-Tuning can Distort Pretrained Features and Underperform Out-of-Distribution
将预训练模型转移到下游任务通常使用微调和线性探测(只更新head的最后一个线性层)两种方法。微调可以提高同分布内的准确性,然而当预训练特征分布偏移较大时,在分布外数据中微调的效果比线性探测更差。本文证明了使用固定或随机head初始化,微调的OOD误差很高,因为微调也会改变网络的其余部分,扭曲预训练的特征。本文的分析为先进行线性探测后完全微调的两部策略,能结合微调和线性探测的优点。预训练模型能提高从头训练的准确性,但是对训练过程中看不见的数据分布进行测试也十分重要。原创 2023-04-10 14:42:02 · 134 阅读 · 0 评论 -
MMCV增加算子后重新编译
编译完成后在dist/文件夹中即可看到编译好的whl文件。不同于官方的直接安装至本地目录。原创 2023-02-10 10:48:32 · 264 阅读 · 0 评论 -
The KFIOU Loss For Rotated Object Detection
与水平目标检测不同,计算友好的IoU Loss很容易被采用,并且很好的符合检测度量。相反旋转检测器通常涉及更复杂的SkewIoU Loss,这对基于梯度的训练不友好。不区分比例的中心点Loss,快速获取边界框之间的中心点与距离无关的第二项,卡尔曼滤波器通过其定义模拟了SkewIoU,并在一定距离内显示其于SkewIoU Loss对齐与最近的基于高斯模型的旋转检测器(GWD/KLD)形成对比,后者涉及人类指定的分布距离度量。原创 2022-11-30 00:26:43 · 1047 阅读 · 0 评论 -
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
旋转目标检测难以定位多角度对象,对于具有大纵横比、密集分布和类别极不平衡的旋转对象仍然存在挑战。本文提出了一种端到端的精细化单级旋转检测器,通过使用从粗粒度到细粒度的渐进回归方法来快速准确地检测对象。考虑到现有的单级检测器中特征未对准的缺点,设计了一个特征细化模块,通过获得更精确的特征来提高检测性能,通过逐像素特征插值将细化边界框的位置信息重新编码到相应特征点。提出了一种近似SkewIoU损失,以解决SkewIoU的不可导问题。原创 2022-11-09 15:09:44 · 1629 阅读 · 0 评论 -
BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning
由于数据不平衡、不可见分布和域转移等数据稀缺问题,深度表示学习仍面临许多挑战。为了解决上述问题,已经设计了多种方法从输入或损失函数的角度探索样本关系,但未能探索用于利用样本之间关系进行学习的深度神经网络的内部结构。本文引入了一个batchformer模块,然后将其应用到每个mini-batch的批维度中,以隐式地探索训练期间的样本关系。头类样本也可以有助于学习用于长尾识别的尾类。原创 2022-09-01 20:43:46 · 1249 阅读 · 0 评论 -
Registration based Few-Shot Anomaly Detection
目前为止,现有的FSAD研究遵循标准AD使用的每类别一个模型的学习范式,并且尚未探索类别间的共性。受人类如何检测异常的启发,通常将图像与正常图像进行比较,利用配准来训练类别无关的异常检测模型。测试时通过比较测试图像的配准特征和正常图像来识别异常。本文是第一个FSAD方法,训练单个可推广模型,不需要对新类别进行重新训练或微调。比目前方法AUC高3%~8%。异常检测具有广泛的应用,由于异常的定义不明确,不可能用一组详尽的异常样本进行训练。大多数现有的AD方法都集中于为每个类别训练专用模型。......原创 2022-08-18 17:17:17 · 3186 阅读 · 1 评论 -
CP-Cluster:Confidence Propagation Cluster: Unleash Full Potential of Object Detectors
大多数目标检测方法都是通过NMS及其改进版本Soft-NMS来去除冗余边界框来获取对象。具有最高置信度的边界框可能不是与gt重叠最大的真正结果不仅需要对冗余框进行抑制,而且还需要对那些真正的正值进行置信度增强按照置信度排序后只能根据排序顺序来进行计算,无法并行本文提出了置信传播聚类来取代基于NMS的方法,具有并行性和更好的精度。在CP-Cluster中,以迭代的方式惩罚冗余框并增强真正的结果,直到收敛。.........原创 2022-08-04 16:40:21 · 924 阅读 · 0 评论 -
ObjectBox: From Centers to Boxes for Anchor-Free Object Detection
本文提出了ObjectBox,一种新颖的单阶段Anchor-free且高度泛化的目标检测方法。与现有的Anchor-based和Anchor-free的检测器相反,它们在标签分配中更偏向于特定的目标尺度,ObjectBox仅使用目标中心位置作为正样本,并在不同的特征级别平等对待所有目标,而不管物体的大小或形状。具体来说,ObjectBox的标签分配策略以Anchor-free的方式将目标中心位置视为与形状和大小无关的Anchor,并允许在每个目标的所有尺度上进行学习。............原创 2022-07-20 20:54:37 · 1754 阅读 · 2 评论 -
Re-parameterizing Your Optimizers rather than Architectures
神经网络设计良好反应了纳入模型的先验知识,尽管不同的模型考虑了不同的先验,但是仍旧习惯于使用模型无关优化器SGD对其训练。在本文中提出了一种新的范式,将特定于模型的先验知识合并到优化器中训练模型。提出了一种新的方法,通过一组特定于模型的超参数修改梯度来添加先验知识,称为梯度重参数化,优化器称为重优化器。.........原创 2022-06-26 11:20:54 · 1199 阅读 · 0 评论 -
Pooling Revisited: Your Receptive Field is Suboptimal
感受野的大小和形状决定了网络如何聚集局部信息,并对模型的整体性能产生显著影响。神经网络中的许多组成部分,例如用于卷积和池化运算的核大小和步长,都会影响到感受野配置。然而仍然依赖于超参数,现有模型的感受野会导致形状和大小不理想,因此提出了一种简单而有效的动态优化池操作称为(DynOPool),通过学习每个层中感受野的理想形状和大小来优化端到端特征映射的比例因子。.........原创 2022-06-19 17:20:57 · 838 阅读 · 0 评论 -
QueryDet: Cascaded Sparse Query for Accelerating High-Resolution for Small Object Detection
目标检测在小目标中的性能效率不能令人满意。一般促进小目标检测的最常见和有效的方法就是高分辨率图像或特征图。然而会导致计算成本高昂,因此提出了QueryDet,使用了一种新颖的查询机制来加速基于特征金字塔的目标检测推理速度。由两个部分组成:首先在低分辨率特征上预测小目标的粗略位置,使用粗略位置稀疏引导的高分辨率特征计算准确的检测结果。.........原创 2022-06-12 21:27:25 · 2430 阅读 · 0 评论 -
Oriented RepPoints for Aerial Object Detection
航空目标通常是非轴对齐的,并且具有杂乱环境的。与主流的bbox方法回归不同,本文提出了一种有效的自适应点学习方法,利用自适应点表示,能够捕获任意方向实例的几何信息。提出了三种定向转换函数,以便于分类和定位。提出了一种有效的自适应点学习质量评估和样本分配方案,用于在训练过程中选择具有代表性的样本,能够从相邻对象或背景噪声中捕获非轴对齐的特征。在自适应点学习中引入了空间约束来乘法离群点。......原创 2022-06-06 19:14:31 · 814 阅读 · 0 评论 -
【目标检测】faster RCNN
【目标检测】faster RCNN目标检测从R-CNN开始,通过引入神经网络取得了很多突破性的进展,但是始终未能摆脱候选区域算法(如选择性搜索)的限制。使用SS算法进行候选区域的确定使得fast R-CNN的运算时间大大增加,使得fast R-CNN网络结构模型在实时性方面达不到要求。为了解决候选区域提取的问题,进一步共享卷积运算,提出了faster R-CNN1.faster R-CNN结构faster R-CNN主要包括两个模块:一个是深度全卷积网络RPN,该网络用来产生候选区域。另一个是fa原创 2020-12-13 17:18:00 · 391 阅读 · 0 评论 -
【目标检测】fast RCNN算法
【目标检测】fast RCNN算法详解1.RCNN流程简单来说,RCNN使用以下四步实现目标检测:在图像中确定约1000-2000个候选框对于每个候选框内图像块,使用深度网络提取特征对候选框中提取出的特征,使用分类器判别是否属于一个特定类对于属于某一特征的候选框,用回归器进一步调整其位置2.fast RCNN改进fast RCNN方法解决了RCNN方法三个问题问题一:测试时速度慢RCNN一张图像内候选框之间大量重叠,提取特征操作冗余。fast RCNN将整张图像归一化后直接送入深度原创 2020-12-13 16:26:24 · 737 阅读 · 0 评论 -
【目标检测】R-CNN
【目标检测】RCNN算法详解R-CNNRCNN是第一个可以真正工业级应用的解决方案,Fast-RCNN,Faster-RCNN沿袭RCNN,把region proposal和CNN结合起来,所以该方法被称为R-CNN:Regions with CNN features。1.1.介绍与图像分类不同的是检测需要定位一个图像内的许多物体。一个方法是将框定位看做是回归问题。但是这种策略效果不好。另一个可替代的方法是使用滑动窗口探测器,通过这种方法使用CNN至少已经有20年的时间了,通常用于一些特定的种原创 2020-12-13 14:42:27 · 177 阅读 · 0 评论