![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
我是DJ你会爱我吗
这个作者很懒,什么都没留下…
展开
-
目标检测论文阅读笔记:《ThunderNet: Towards Real-time Generic Object Detection on Mobile Devices》
1 概述本文基于ShuffleNetV2提出了一个轻量目标检测网络,称为ThunderNet,主要有两个创新点:①CEM(Context Enhancement Module),与FPN类似,用于融合浅层特征和深层特征;②SAM(Spatial Attention Module),用于增强目标特征轻量化体现在两方面:①将ShuffleNetV2中3x3卷积更换为5x5卷积,在增大感受野使特征包含更多空间信息的同时降低参数量;②移除conv5的同时在之前的stage中增加channel数,这在不增加参数原创 2020-06-17 21:08:49 · 400 阅读 · 0 评论 -
目标检测论文阅读笔记:《Bottom-up Object Detection by Grouping Extreme and Center Points》
1. 概述本篇论文提出一个称之为ExtremeNet的目标检测网络。不同于RCNN系列等在proposal基础上进行边框回归得到检测结果的过程,该网路预测目标的极点坐标(最上、最下、最左、最右)和中心坐标,通过对极点坐标和中心坐标的后处理得到最终的检测结果,比较新颖。这篇论文基于HourglassNet(人体关键点检测网络),输出各个目标的极点坐标,又可将极点坐标作为Deep Extreme Cut(DEXTR,基于极点坐标的实力分割网络)的输入,实现实例分割。2. 网络框架及实现细节2.1 网原创 2020-05-09 22:46:10 · 366 阅读 · 0 评论 -
目标检测论文总结:《Feature Selective Anchor-Free Module for Single-Shot Object Detection》
1. 概述RetinaNet等使用FPN结构的单阶段检测器依据输入图片中目标的大小确定目标的特征来源于FPN特征的哪一层,再通过该层上目标与anchor box的IoU为anchor box分类,从而完成目标检测模型的训练及推理。本篇论文认为:仅通过instance的大小确定instance的特征来源是不合适的,所选择出的特征不一定最优。应当让网络自身决定选择哪一level上的特征。另一方面...原创 2020-05-04 20:52:09 · 266 阅读 · 0 评论 -
目标检测论文《Automatic adaptation of object detectors to new domains using self-training》
一、全文概述这篇文章对目标检测的领域自适应问题进行研究。在一个数据集(源域)下训练的检测模型如何用另一个没有标记的数据集(目标域)进行训练,以在这个数据集上得到较好的检测效果,这是这篇文章想要解决的问题。文章的核心思路是使用源域数据训练好的模型推理目标域上的数据,选取置信度较高的推理结果加入训练集合,再训练模型,使模型逐渐学到目标域的数据分布。需要解决的难题是如何滤除推理结果中的噪声,为此,...原创 2020-02-27 15:04:56 · 835 阅读 · 0 评论 -
目标检测(Object detection)—— R-DAD
点击这里查看论文解读附注:提取部分特征时获取可以采用自适应的方法。作者将与ground truth IoU在0.1和0.5之间的proposal标注为负类样本。为什么不采用将IoU小于0.3的proposals标注为负类样本的方法?...转载 2020-02-06 15:57:08 · 510 阅读 · 0 评论 -
目标检测(Object detection)—— SNIPER
一、概述SNIPER是用于提升多尺度训练(multi-scale training)速度的通用处理方法,主要探讨不使用图像金字塔时如何保持甚至提升网络的检测性能。目标检测领域将图像金字塔作为多尺度训练的手段之一是基于这样一个共识:对原图进行上采样后得到的大图对网络的检测性能至关重要。SNIPER对此观点提出了挑战,提出使用小分辨率图像训练网络可以在保持网络检测性能的同时提高检测速度的观点。小...原创 2020-02-03 11:41:54 · 1029 阅读 · 0 评论 -
目标检测(Object Detection)—— Cascade RCNN
一、概述cascade中文释义为级联,顾名思义,Cascade RCNN网络结构就是级联的检测器。Cascade RCNN是针对RCNN系列检测器提出的通用结构,可将faster RCNN、FPN、R-FCN等RCNN检测器检测性能提高2-4%,效果可谓十分强大。Cascade RCNN如何进行检测器级联?其依据又是什么?请往下看。二、MotivationRCNN系列检测器(目标检...原创 2020-01-06 22:14:16 · 1831 阅读 · 0 评论 -
目标检测(Object Detection)—— M2Det
1. 概述目标检测领域中,目标的多尺度是指:对待检测的目标,其bounding box的长宽比、大小具有很大的跨度。如何实现对不同目标的多尺度检测是目标检测领域面临的难题之一,也是制约目标检测精度提升的瓶颈。目前常用的提高网络多尺度检测性能的方式有以下几种:①训练阶段使用不同分辨率的图像训练网络;②测试阶段使用不同分辨率的图像测试,再融合;③网络结构的改进,以FPN结构为典型,目前FPN是采...原创 2019-12-17 21:07:30 · 695 阅读 · 0 评论 -
目标检测(Object Detection)—— RefineDet
一、概述RefineDet自称是结合了两阶段方法和一阶段方法优点的一阶段方法。但是在我看来,RefineDet更像是一个两阶段的方法。RefineDet基于SSD,主要由两个模块构成:①ARM(anchor refine module),用于滤除置信度非常高的负类样本 ②ODM(object detection module),使用ARM模块得到的anchor完成目标的检测。RefineD...原创 2019-11-21 22:37:51 · 361 阅读 · 0 评论 -
目标检测(Object detection)—— Yolo V3
这篇文章对YOLO V3的介绍已经非常到位了,这里再稍微补充一下考虑到要分类的各个类别并不是完全独立的(例如woman和person),YOLO V3并未采用softmax完成最后的分类,而是训练N个logistic分类器,分别完成每个类别的分类。具体讲,对每个得到的bbox,我们自然可以依据其于groundtruth的IoU判定bbox的标签,同时,网络最终得到一个长度为80(coco的类别...原创 2019-10-22 20:58:09 · 267 阅读 · 0 评论 -
目标检测(Object Detection)—— RetinaNet介绍
1 概述主流目标检测框架可分成两类:①one-stage方法,以YOLO、SSD为代表;②two-stages方法,以RCNN系列为代表。前者检测速度快,但检测精度较低;后者检测速度慢,但是精度较高。为什么one-stage方法不如two-stages方法? 这是RetinaNet的作者提出的问题。作者对此做出的回答是:one-stage方法生成的proposals中正负样本极不均衡造成了o...原创 2019-10-14 17:10:20 · 1178 阅读 · 0 评论 -
目标检测(Object detection)—— FPN总结
1 概述到目前为止。我们介绍过的各种目标检测模型中使用的增强网络多尺度检测性能的方式有两种:①第一种是将输入图像变换出不同的分辨率,使网络获得多尺度检测能力;②第二种是从不同层次的feature maps上预测目标的bounding boxes,从而达到多尺度检测的目标,这种方法以SSD为代表。对输入图像变换分辨率是使网络获得多尺度检测性能的有效方法,但其缺点也同样明显:要花费大量的时间训练...原创 2019-10-10 21:46:16 · 1220 阅读 · 0 评论 -
目标检测(Object detection)—— YOLO v2总结
YOLO v2基于YOLO,点击这里了解YOLO1 概述相比Faster RCNN,YOLO检测精度虽然没那么高,但是胜在速度快和可端到端进行训练。然而,SSD的出现让YOLO非常尴尬,相比YOLO,SSD不仅速度快、可端到端进行训练,准确率还更高因此YOLO的作者对YOLO做出了改进,一年以后提出了YOLO v2。YOLO v2相比YOLO,最大的变化是摒弃了YOLO直接回归得到bo...原创 2019-10-02 20:49:18 · 786 阅读 · 0 评论 -
目标检测(Object Detection)—— R-FCN总结
为了更好的理解R-FCN网络,请先点击这里了解Faster RCNN网络1 概述在图像分类任务中,通过很多个卷积层和最后的全连接层,可以提取图像的高层语义特征。这种高层语义特征具有平移不变性(translation invariance),换言之,这样的网络提取到的该个图像的特征往往代表了该类图像的特征。但是将图像分类网络应用在目标检测问题上,就会出现问题。主要有两点:①多个卷积层提取特征...原创 2019-09-29 21:01:40 · 246 阅读 · 0 评论 -
目标检测(Object Detection)—— SSD总结
写在最前:要理解SSD,请先了解Faster RCNN中“anchor boxes”的概念及YOLO原理点击这里了解Faster RCNN点击这里了解YOLO1 概述之前介绍了YOLO网络,该网络检测速度快的同时检测准确率也不低,可以说是目标检测领域的一个飞跃。那么检测速度能不能更快、同时检测准确率更高?SSD诞生了(59 FPS on Titan X GPU, 74.3 mAP)。...原创 2019-09-22 18:37:25 · 2041 阅读 · 1 评论 -
目标检测(object detection)—— YOLO总结
点击这里了解RCNN点击这里了解Fast RCNN点击这里了解Faster RCNN1 概述RCNN系列算法一脉相承,虽说其终极版本Faster RCNN已经可以实现当时最快的检测速度和最高的准确率,但是其算法实现过程依旧不够优美,原因在于,其检测过程是多阶段的(multi-stage,即并不是一次完成)...原创 2019-09-19 20:30:19 · 1445 阅读 · 1 评论 -
目标检测(object detection)—— faster RCNN总结
点击这里,了解RCNN点击这里,了解fast RCNN一、概述faster RCNN与fast RCNN是一脉相承的。fast RCNN解决了RCNN计算量大、效率低的问题(RCNN需要将通过selective search算法生成的proposal挨个送入卷积神经网络提取特征)。但是fast RCNN也存在一个问题:在检测阶段,fast RCNN仍需要使用selective search...原创 2019-09-07 09:51:29 · 585 阅读 · 1 评论 -
目标检测(object detection)—— fast RCNN总结
1.概述fast RCNN基于RCNN,对RCNN存在的问题进行了改进,同时借鉴了SPPnet的思想。2.RCNN存在的问题RCNN的训练过程是multi-stage。先预训练,再finetune,还要训练用于完成特征向量分类的若干个SVM,也要单独训练边框回归训练时时间开销和空间开销都很大目标检测过程很慢(每张图片需要47秒)3.SPPnetRCNN训练效率低的原因是...原创 2019-08-29 16:41:50 · 553 阅读 · 1 评论 -
目标检测(object detection)—— RCNN总结
一、论文总结1. 要解决的问题(1)如何使用深度网络定位目标(2)如何使用少量带标注的检测数据(detection data)训练一个可靠的模型2. 相关工作(1)目标定位①将定位视为回归问题(C. Szegedy. Deep neural networks for object detection. In NIPS, 2013)实践效果不是很好②sliding-window de...原创 2019-06-21 12:33:12 · 927 阅读 · 0 评论