DSOD_ Learning Deeply Supervised Object Detectors from Scratch 论文笔记

最新推荐文章于 2024-10-16 10:08:57 发布
最新推荐文章于 2024-10-16 10:08:57 发布
阅读量93 收藏
点赞数
分类专栏： 论文笔记_目标检测 文章标签： 深度学习 人工智能 计算机视觉 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40253737/article/details/119278952
版权

background


任务：从0开始训练模型，避免因迁移学习域的不同导致的精度下降，引入densenet的模块，提高精度
关键词：Deeply Supervised ， densenet

Introduction


1）迁移学习虽然能够加快训练速度，通过微调达到不错的效果，但是因imagenet的局限，面临着设计结构有限，不够灵活，而且存在学习偏见，因两者的任务不同，所以优化空间可能不同，在分类任务中能收敛到最优解，但在目标检测任务中可能就是收敛到局部最优解，最后是域的不匹配，微调虽然可以减少差异，但是影响还在，所以作者提出通过从0训练此网络，避免因迁移学习而导致的误差
​

2）densenet的模块的引入，通过加强对上下文信息的表征能力，代替vgg，或resnet模块，然后通过Dense Connection的预测层，使模型有了更好的表现
​

Model

整体的模型

在这里插入图片描述

在这里插入图片描述

Experiment


在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Learn from paper

​

主要把densenet代入到SSD中，右侧的预测阶段很像特征金字塔






五十岁的少女
关注
专栏目录
论文学习笔记（八）DSOD: Learning Deeply Supervised Object Detectors from Scratch
Custom自定义
01-26 857
『写在前面』 无需借助预训练模型即可达到较高精度的目标检测模型。 论文出处：ICCV 2017 作者机构：Zhiqiang Shen等，复旦大学等 原文链接：https://arxiv.org/pdf/1708.01241 相关repo：https://github.com/szq0214/DSOD 目录 摘要 1 介绍 2 相关工作 3 DSOD DSOD结构 DSO...
论文笔记之目标检测（1）-- DSOD
Feywell的博客
12-13 1158
论文笔记之目标检测(1)DSOD: Learning Deeply Supervised Object Detectors from Scratch文章：https://arxiv.org/abs/1708.01241 代码：https://github.com/szq0214/DSOD 结构：caffe netscope视图目录论文笔记之目标检测1 DSOD Learning Deeply S
DSOD: Learning Deeply Supervised Object Detectors from Scratch 论文笔记
Jean_0724的博客
08-25 1798
论文地址:DSOD由于深度学习需要大量的训练数据，而针对特定任务需求的训练样本往往是有限的，通常情况下，目标检测算法会先使用在海量数据（如ImageNet数据集）上训练好的分类模型对需要训练的网络参数进行初始化（pre-train,预训练），然后使用训练样本对网络参数进行微调(fine-tune)。 但这种预训练结合微调的方法存在以下几点问题：（1）对于目标检测任务而言，由于其损失函数和目标类别分
【论文笔记】物体检测系列 SSD: Single Shot MultiBox Detector
elaine_bao的专栏
12-17 1968
一句话概述：SSD是One-stage的物体检测器，它是直接预测每个default box（在RCNN中称为anchor）是各物体类别的概率，并做回归。另外，SSD使用不同层的feature map来handle不同大小的物体。
DSOD: Learning Deeply Supervised Object Detectors from Scratch论文理解
weixin_51606906的博客
03-13 313
DSOD：从零开始学习深度监督的对象检测器 背景 以前的目标检测算法基本都是先在 ImageNet 数据库上进行预训练，然后再微调。这个微调也叫做迁移学习 transfer learning。在 pretrained models 上微调有两个好处： 1)有很多好的模型是开源的，可以直接将他们用于目标检测； 2)微调可以快速获得最终的模型，需要的训练数据也相对较少。 但是微调在目标检测问题上也有缺点： 1.Limited structure design space, 基于 ImageNet 分类数据库的预
DSOD: Learning Deeply Supervised Object Detectors from Scratch
yzf0011的专栏
10-29 563
Key Problems Limited structure design space. Learning bias As both the loss functions and the category distributions between classification and detection tasks are different, we argue that this will l
目标检测--DSOD: Learning Deeply Supervised Object Detectors from Scratch
AI小作坊 的博客
08-16 1万+
DSOD: Learning Deeply Supervised Object Detectors from Scratch ICCV2017 https://github.com/szq0214/DSOD针对目标检测问题，本文提出了不需要预训练模型的检测算法，可以看作 SSD + DenseNet 的结合以前的目标检测算法基本都是先在 ImageNet 数据库上进行预训练，然后再微调。这个微
目标检测(target detection) DSOD: Learning Deeply Supervised Object Detectors from Scratch
qq_20481015的博客
08-09 1513
转自：https://blog.csdn.net/zhangjunhit/article/details/77247695 DSOD: Learning Deeply Supervised Object Detectors from Scratch  ICCV2017 https://github.com/szq0214/DSOD 针对目标检测问题，本文提出了不需要预训练模型的检测算法，可以看...
DSOD： Learning Deeply Supervised Object Detectors from Scratch
女王の专属领地
01-30 889
复旦、清华和英特尔中国研究院ICCV新作：完全脱离预训练模型的目标检测方法DSOD 论文：DSOD： Learning Deeply Supervised Object Detectors from Scratch  论文地址：https://arxiv.org/abs/1708.01241 论文代码：https://github.com/szq0214/DSOD   目前，所有基于深度...
DSOD ：Learning Deeply Supervised Object Detectors from Scratch 翻译
weixin_39739789的博客
07-16 768
DSOD：从头开始深度监管学习的目标检测框架（不需要采用预训练模型）摘要：我们提出了深度监督目标检测器（DSOD），它是一个可以从头开始学习目标检测器的框架。当下性能最好的目标检测器严重的依赖一些在大规模数据集，如imagenet上，预训练得来的模型，这种情况引发了学习偏差，这种偏差是由于分类任务和目标检测任务的损失函数和类别分布不尽相同而产生的。为检测任务进行模型微调可以在某种程度上减轻这个偏差...
DSOD学习深受监督的对象检测器
08-11
DSOD: Learning Deeply Supervised Object Detectors from Scratch. In ICCV 2017.
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8394
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
不需要预训练模型的检测算法—DSOD
热门推荐
AI之路
08-12 1万+
论文：DSOD： Learning Deeply Supervised Object Detectors from Scratch 论文链接：https://arxiv.org/abs/1708.01241 caffe代码：https://github.com/szq0214/DSOD.这是一篇ICCV2017的文章，我觉得非常有意思，因为DSOD（Deeply Supervised Objec
【文档智能】文本文字识别、公式识别、表格文字识别核心算法及思路及实践-DBNet、CRNN、TrOCR
余俊晖，NLP炼丹师，目前专注自然语言处理领域研究。曾获得国内外自然语言处理算法竞赛TOP奖项近二十项。
10-13 1216
OCR技术作为文档智能解析链路中的核心组件之一，贯穿整个技术链路，包括：文字识别、表格文字识别、公式识别，参看下面这张架构图：前期介绍了很多关于文档智能解析相关核心技术及思路，本着连载的目的，本次迎来介绍整个链路中的最后一块拼图-OCR。本文简要介绍OCR常见落地的算法模型-DBNet、CRNN，并基于这两个模型，简单介绍文字识别在表格识别中参与的角色；并且额外介绍TrOCR这个端到端的模型，基于这个模型引入公式识别解析的思路及微调方法。
【深度学习|地学应用】遥感与深度学习：揭示梦柯冰川奥秘的前沿应用与实践解析
985小水博的摸鱼日常
10-15 841
【深度学习地学应用】遥感与深度学习：揭示梦柯冰川奥秘的前沿应用与实践解析
深度学习速通系列:中文命名实体识别（NER）数据集大全（含链接）
最新发布
Ven%的博客
10-16 186
训练集8001条、验证集1000条、测试集1001条。：在清华大学开源的文本分类数据集THUCTC基础上进行细粒度命名实体标注，包含地址、书名、公司、游戏、政府、电影、姓名、组织机构、职位、景点等类别。：基于淘宝电商数据制作的NER数据集，包括商品名称、商品型号、人名、地名等类别。：基于新浪财经收集的上市公司高管简历，标注了国籍、教育背景、地名、人名、组织名、专业、民族、职称等8种实体。：由Boson提供，包含时间、地点、人名、组织名、公司名、产品名等类别，共2000个段落。
基于深度学习的车辆车型检测识别系统（YOLOV5）
ANDROID6666666的博客
10-16 187
本项目旨在开发一个基于深度学习的车辆识别系统，采用先进的yoloV5网络架构，以实现对不同车型的精准识别。系统开发环境选用Pycharm集成开发环境，并结合Anaconda进行环境管理和包依赖的配置。为了确保系统的稳定性和高效性，我们选择了Python 3.8作为开发语言，并集成了opencv、PyQt5以及torch1.9等关键库和框架。在数据方面，准备了总共9000张图片，其中8000张用于训练模型，剩余的1000张用于测试模型的性能。
深度学习 .exp()
2302_79865304的博客
10-13 163
在 MXNet 中，.exp()是ndarray对象的方法，用于计算数组中每个元素的指数（e 的幂）。此方法适用于所有类型的ndarray，并返回一个新的数组，其中每个元素都是相应输入元素的指数。
深度学习(8):Sentiment Analysis on Movie Reviews
qq_51976556的博客
10-12 1098
PhraseId: 每条评论的唯一标识符。一条评论可以包含多个句子（Sentence）。SentenceId: 句子的唯一标识符。一个句子可以包含多个短语（Phrase）。Phrase: 具体的短语文本，表示电影评论的一部分。Sentiment:情感标签，表示这条短语的情感分类。情感分类共有五个等级：0：消极情感（negative）1：有点消极情感（somewhat negative）2：中性情感（neutral）3：有点积极情感（somewhat positive）
深度学习目标检测：SSD, DSOD, Tiny-DSOD与FPN解析
本文主要讨论了四种深度学习领域的目标检测模型：SSD（Single Shot MultiBox Detector）、DSOD（Deeply Supervised Object Detection）、Tiny-DSOD和FPN（Feature Pyramid Network）。这些模型在计算机视觉任务中...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值