目标检测
文章平均质量分 79
目标检测方向的论文笔记
Dreamer_Du
这个作者很懒,什么都没留下…
展开
-
EfficientDet总结
论文地址:https://arxiv.org/abs/1911.09070开源代码:https://github.com/google/ automl/tree/master/efficientdet内容介绍: 论文概述 核心介绍 总结 论文概述:1、目前的目标检测,要不追求更准确的检测效果,但是花销很大,要不更有效率,但牺牲了准确性2、论文设计了一组...原创 2020-03-23 18:00:00 · 8506 阅读 · 0 评论 -
RetinaNet总结
论文地址:https://arxiv.org/pdf/1708.02002.pdf文章内容: 论文概述 Focal Loss RetinaNet 论文概述:1、one-stage的检测器方法在识别准确度上往往低于two-stage的检测器,其核心原因在于前景背景类别的极大不平衡2、论文通过提出Focal Loss来解决类别不平衡的问题,并构建了新的one-...原创 2020-03-17 16:24:33 · 1445 阅读 · 0 评论 -
Cascade R-CNN总结
论文地址:https://arxiv.org/abs/1712.00726文章内容: 论文概述 算法核心 论文概述:目标检测训练面临的问题:使用低IOU阈值训练,会产生很多噪声检测,如下图;用高IOU阈值训练,检测结果反而降低,造成的原因有两点:(1)正样本指数级减少,使得训练过拟合,(2)在推理阶段选用不同的IOU造成mismatchCasecade R-CNN的...原创 2020-03-16 18:41:45 · 893 阅读 · 0 评论 -
DetNet:Backbone network for 目标检测
论文地址:https://arxiv.org/abs/1804.06215文章内容: 论文概述 算法核心 效果 论文概述:现有的Backbone存在的问题:大多Backbone都是建立在分类网络基础上的,大量下采样后带来了更有效的感受野,但是分辨率也相应下降,导致位置信息模糊DetNet的优势:在分类Backbone基础上加了新的stages,在更深的网络...原创 2020-03-16 17:42:12 · 188 阅读 · 0 评论 -
Faster R-CNN总结
论文地址:https://arxiv.org/abs/1506.01497文章内容: 论文概述 算法核心 ROI Pooling 普通池化与RIO池化的反向传播: 和YOLOV3对比 论文概述:在Fast R-CNN基础上做了改进,将Selective Search改为RPN网络来提取候选框,提升了检测算法的速度。RPN是全卷积网络,...原创 2020-03-13 15:15:44 · 270 阅读 · 0 评论 -
YOLO V1,V2,V3总结
内容概要: YOLOV1 YOLOV2 YOLOV3 YOLOV1:论文地址:http://arxiv.org/abs/1506.02640参考文章:https://blog.csdn.net/c20081052/article/details/80236015https://blog.csdn.net/qq_38232598/article/det...原创 2020-03-11 15:11:56 · 1002 阅读 · 0 评论 -
Faster R-CNN论文阅读笔记
Faster R-CNN在Fast R-CNN基础上提出了RPN概念,解决了区域提议计算的瓶颈,使得速度更快,准确率保持优良水准。介绍 区域提议方法通常依赖于易寻的特征和经济的推理方案。选择性搜索(SS)是最常用的方法,贪婪地合并基于工程底层功能的超像素,然而跟有效的检测网络相比,SS还是慢了不少。并且SS是在CPU上运行的,如果能把区域提议也使用GPU来计算,会更有效。...原创 2019-02-13 13:56:19 · 800 阅读 · 0 评论 -
Fast R-CNN论文阅读笔记
1、介绍 R-CNN提供了非常准确的目标检测,但是它也有弊端:1、训练是多阶段的:用log loss先在目标提议上微调卷积网络,然后,用SVM做目标检测器,最后学习边界框回归。2、训练在空间时间上成本高:对于SVM和边界框回归训练,特征从每个图片的每个目标提议上提取并写入磁盘,很深的网络产生特征需要非常大的存储。3、目标检测慢:测试阶段,特征从每个测试图片的每个目标提议上提取,耗时长。...原创 2019-02-12 16:04:17 · 431 阅读 · 0 评论 -
yolov1论文阅读笔记
yolo统一架构做目标检测速度非常快,是端到端的网络,定位错误会高于最优检测系统,但是背景预测的假阳性会更低。1、介绍: 在yolo之前出现的方法,像DPM(deformable parts models)是使用滑动窗口的方法,分类器在整个图像上以均匀间隔的位置运行。R-CNN则是先选出提议区域,产生潜在的边界框,并在此上运行分类器。后处理细化边界框,消除重复检...原创 2018-11-29 10:28:16 · 309 阅读 · 0 评论