![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CV论文阅读
计算机视觉深度学习目标检测论文阅读
AndyLiu1997
这个作者很懒,什么都没留下…
展开
-
(RefineDet)Single-Shot Refinement Neural Network for Object Detection论文阅读笔记
文章目录(RefineDet)Single-Shot Refinement Neural Network for Object Detection论文阅读笔记2018Abstract1. Introduction2. Related Work3. Network Architecture4. Training and Inference5. Experiments5.1. PASCAL VOC 20075.1.1 Run Time Performance5.1.2 Ablation Study5.2 PAS原创 2020-09-09 19:48:50 · 293 阅读 · 0 评论 -
(SENet)Squeeze-and-Excitation Networks论文阅读笔记
文章目录(SENet)Squeeze-and-Excitation Networks论文阅读笔记2018Abstract1. Introduction2. Related Work3. Squeeze-and-Excitation Blocks3.1 Squeeze: Global Information Embedding3.2 Excitation: Adaptive Recalibration3.3 Instantiations4. Model and Computational Complexity原创 2020-08-28 16:54:10 · 668 阅读 · 0 评论 -
(MobileNets)Efficient Convolutional Neural Networks for Mobile Vision Applications论文阅读笔记
文章目录MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications论文阅读笔记2017Abstract1. Introduction2. Prior Work3. MobileNet Architecture3.1 Depthwise Separable Convolution3.2 Network Structure and Training3.3 Width Multiplier: Thinner原创 2020-08-25 15:36:24 · 295 阅读 · 0 评论 -
DPN(Dual Path Networks)论文阅读笔记
文章目录DPN(Dual Path Networks)论文阅读笔记2017Abstract1. Introduction2. Related work3. Revisiting ResNet, DenseNet and Higher Order RNN4. Dual Path Networks4.1 Dual Path Architecture4.2 Dual Path Networks5. Experiments5.1 Experiments on image classification task5.1原创 2020-08-22 15:31:21 · 982 阅读 · 0 评论 -
(DenseNet)Densely Connected Convolutional Networks论文阅读笔记
文章目录(DenseNet)Densely Connected Convolutional Networks论文阅读笔记2018Abstract1. Introduction2. Related Work3. DenseNets4. Experiments4.1 Datasets4.2 Training4.3 Classification Results on CIFAR and SVHN4.4 Classification Results on ImageNet5. Discussion6. Conclu原创 2020-08-18 17:59:48 · 437 阅读 · 0 评论 -
(ResNeXt)Aggregated Residual Transformations for Deep Neural Networks论文阅读笔记
文章目录(ResNeXt)Aggregated Residual Transformations for Deep Neural Networks论文阅读笔记2017Abstract1. Introduction2. Related Work3. Method3.1 Template3.2 Revisiting Simple Neurons3.3 Aggregated Transformations3.4 Model Capacity4. Implementation details5. Experi原创 2020-08-15 16:04:04 · 265 阅读 · 0 评论 -
Mask R-CNN(RoIAlign)论文阅读笔记
文章目录Mask R-CNN论文阅读笔记2017Abstract1. Introduction2. Related Work3. Mask R-CNN3.1 Implementation Details4. Experiments: Instance Segmentation4.1 Main Results4.2 Ablation Experiments4.3 Bounding Box Detection Results4.4 Timing5. Mask R-CNN for Human Pose Est原创 2020-08-10 17:27:44 · 1075 阅读 · 1 评论 -
(DCN)可变形卷积Deformable Convolutional Networks论文阅读笔记
文章目录(DCN)Deformable Convolutional Networks论文阅读笔记2017Abstract1. Introduction2. Deformable Convolutional Networks2.1 Deformable Convolution2.2 Deformable RoI Pooling2.3 Deformable ConvNets3. Understanding Deformable ConvNets3.1 In Context of Related Wo原创 2020-08-06 15:39:38 · 1605 阅读 · 0 评论 -
DSSD : Deconvolutional Single Shot Detector论文阅读笔记
文章目录DSSD : Deconvolutional Single Shot Detector论文阅读笔记2017Abstract1. Introduction2. Related Work3. Deconvolutional Single Shot Detection (DSSD) model3.1 Using Residual-101 in place of VGG3.2 Prediction module3.3 Deconvolutional SSD3.4 Deconvolution Modul原创 2020-08-03 15:34:43 · 385 阅读 · 0 评论 -
(ResNet v2)Identity Mappings in Deep Residual Networks论文阅读笔记
文章目录(ResNet v2)Identity Mappings in Deep Residual Networks论文阅读笔记2016Abstract1. Introduction2. Analysis of Deep Residual Networks3. On the Importance of Identity Skip Connections3.1 Experiments on Skip Connections3.2 Discussions4. On the Usage of Activatio原创 2020-07-31 18:25:45 · 471 阅读 · 0 评论 -
(RetinaNet)Focal Loss for Dense Object Detection论文阅读笔记
文章目录(RetinaNet)Focal Loss for Dense Object Detection论文阅读笔记2018Abstract1. Introduction2. Related Work3. Focal Loss3.1 Balanced Cross Entropy3.2 Focal Loss Definition3.3 Class Imbalance and Model Initialization3.4 Class Imbalance and Two-stage Detectors4. Re原创 2020-07-28 15:14:58 · 205 阅读 · 0 评论 -
YOLOv3: An Incremental Improvement论文阅读笔记
文章目录YOLOv3: An Incremental Improvement论文阅读笔记2018Abstract1. Introduction2. The Deal2.1 Bounding Box Prediction2.2 Class Prediction2.3 Predictions Across Scales2.4 Feature Extractor2.5 Training3. How We Do4. Things We Tried That Didn’t Work5. What This All M原创 2020-07-24 17:22:05 · 186 阅读 · 0 评论 -
(YOLOv2)YOLO9000: Better, Faster, Stronger论文阅读笔记
文章目录YOLO9000: Better, Faster, Stronger论文阅读笔记2016Abstract1. Introduction2. Better3. Faster4. Stronger5. ConclusionYOLO9000: Better, Faster, Stronger论文阅读笔记2016Abstract我们提出了YOLO9000,一个SOTA,实时目标检测系统,可以检测超过9000类目标。首先,我们对YOLO提出了多种改进方法,新的旧的都有。改进的模型YOLO v2在标准的P原创 2020-07-22 19:25:11 · 224 阅读 · 0 评论 -
(FPN)Feature Pyramid Networks for Object Detection论文阅读笔记
文章目录(FPN)Feature Pyramid Networks for Object Detection论文阅读笔记2016Abstract1. Introduction2. Related Work3. Feature Pyramid Networks4. Applications4.1 Feature Pyramid Networks for RPN4.2 Feature Pyramid Networks for Fast R-CNN5. Experiments on Object Dete原创 2020-07-16 20:49:53 · 286 阅读 · 0 评论 -
(R-FCN)R-FCN: Object Detection via Region-based Fully Convolutional Networks论文阅读笔记
文章目录R-FCN: Object Detection via Region-based Fully Convolutional Networks论文阅读笔记2016Abstract1. Introduction2. Our approach3. Related Work4. Experiments4.1 Experiments on PASCAL VOC4.2 Experiments on MS COCO5. Conclusion and Future WorkR-FCN: Object Detecti原创 2020-07-07 18:30:43 · 281 阅读 · 0 评论 -
(SSD)Single Shot MultiBox Detector论文阅读笔记
文章目录SSD: Single Shot MultiBox Detector论文阅读笔记2016Abstract1. Introduction2. The Single Shot Detector (SSD)2.1 Model2.2 Training3. Experimental Results3.1 PASCAL VOC20073.2 Model analysis3.3 PASCAL VOC20123.4 COCO3.5 Preliminary ILSVRC results3.6 Data Augment原创 2020-07-02 18:08:14 · 2044 阅读 · 0 评论 -
(YOLO v1)You Only Look Once: Unified, Real-Time Object Detection论文阅读笔记
文章目录(YOLO)You Only Look Once: Unified, Real-Time Object Detection论文阅读笔记2016Abstract1. Introduction2. Unified Detection2.1 Network Design2.2 Training2.3 Inference2.4 Limitations of YOLO3. Comparison to Other Detection Systems4. Experiments4.1 Comparison原创 2020-06-23 16:55:50 · 208 阅读 · 0 评论 -
(OHEM)论文阅读笔记——Training Region-based Object Detectors with Online Hard Example Mining
Training Region-based Object Detectors with Online Hard Example Mining论文阅读笔记2016Abstract目前标检测领域由于基于region的CNN的出现,取得了很大的进展。**但是它们的训练过程仍然包括了许多探索的方法(启发式)(heuristics)以及超参数,tune很耗时。**我们提出了一个简单然而非常有效的在线hard exanple mining(OHEM)算法来训练R-CNN。**我们受到的启发是:检测数据集中包含大量的原创 2020-06-20 19:15:33 · 357 阅读 · 0 评论 -
Object Detection in 20 Years A Survey 论文阅读笔记
1.Introduction作为计算机视觉的基本问题之一,目标检测构成了许多其他计算机视觉任务的基础,例如实例分割,图像捕获,对象跟踪等。从应用的角度来看,目标检测可分为两个研究主题“general object detection”和“detection applications”,前者旨在探索在统一框架下检测不同类型目标的方法,以模拟人类的视觉和认知,后一种指的是特定应用场景下的检测,例如行...原创 2020-04-16 21:15:59 · 2431 阅读 · 0 评论 -
VGGNet论文阅读笔记
VGGNet-Very deep convolutional networks for large-scale image recognition阅读笔记2014Abstract文章主要研究了卷积网络的不同深度(depth)设置在大尺度目标识别任务中的效果对比关系。主要的贡献是使用3 * 3的卷积核增加网络的深度(层数),当增加到16-19层,取得了非常好的效果。我们在ImageNet Cha...原创 2020-04-30 23:23:49 · 279 阅读 · 0 评论 -
OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks论文阅读笔记
OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks论文阅读笔记-2014Abstract我们提出了一个使用CNN用于分类、定位、检测的集成框架,展示了如何将多尺度以及滑窗方法有效的应用在一个卷积网络中,同时介绍了一种新的基于深度学习的定位方法(通过学习去预测目标的边界...原创 2020-05-02 17:23:53 · 314 阅读 · 0 评论 -
GoogLeNet-Going Deeper with Convolutions论文阅读笔记
GoogLeNet-Going Deeper with Convolutions论文阅读笔记2014Abstract我们提出了代号Inception的深层卷积神经网络结构,取得了ILSVRC2014分类和检测的最好表现。该结构的主要特点是网络内部计算资源的利用率得到提高。通过设计,我们在保持计算量不变的同时提升了网络的深度和宽度。我们在ILSVRC2014中提交了一种22层的网络,叫做Goog...原创 2020-05-05 17:13:40 · 306 阅读 · 0 评论 -
(NIN网络)Network in Network论文阅读笔记
Network in Network论文阅读笔记2014Abstract我们提出了一种新的深度网络结构,叫做“Network in Network(NIN)”来增强模型对感受野内部local patches的辨别力。传统的卷积层使用线性滤波器,然后使用非线性激活函数来扫描输入。**而我们使用更复杂的结构建立了一个micro神经网络来在感受野之中对数据进行抽象。**我们使用多层感知机MLP来实现...原创 2020-05-07 20:10:49 · 449 阅读 · 0 评论 -
Selective Search for Object Recognition论文阅读笔记2012
Selective Search for Object Recognition论文阅读笔记2012Abstract本文聚焦于生成可能的目标位置用在目标检测中。我们提出选择性搜索(selective search)方法,它综合了穷举搜索以及分割,与分割类似,我们使用图像结构来知道我们的采样过程;与穷举搜索类似,我们试图得到所有可能的目标位置。我们使搜索多样化,并使用各种互补的图像分区来处理尽可能多的图像状况,而不是使用一种单独的技术来生成可能的对象位置。我们的选择性搜索生成一系列数据驱动,与类别无关的高质原创 2020-05-13 22:47:07 · 166 阅读 · 0 评论 -
(R-CNN)Rich feature hierarchies for accurate object detection and semantic segmentation论文阅读笔记2014
(R-CNN)Rich feature hierarchies for accurate object detection and semantic segmentation论文阅读笔记2014Abstract使用PASCAL VOC数据集评估的目标检测任务的变现,近几年有所停滞,目前最好的方法都是复杂的聚集系统:将多个低级的图像特征与高级的context进行组合。本文中,我们提出一个简单的、可扩展的检测算法,相对于VOC2012最好表现提升了超过30%的mAP,达到了53.3%。我们的方法组合了两个关原创 2020-05-17 17:08:47 · 637 阅读 · 0 评论 -
(SPP-net)Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文阅读笔记
(SPPNet)Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition论文阅读笔记2014Abstract目前的深层CNN都需要固定尺寸的输入图像。这种需要是“人工的”,可能会对任意尺度的图像识别的准确率有所降低。本文中,我们提出了一种新的网络,使用了另一种池化策略,“空间金字塔池化”,来消除上面的这种固定尺寸要求。**我们的新网络,SPP-net,无论输入图像的尺寸,都生成一个固定维度的表示repres原创 2020-05-22 16:09:50 · 1000 阅读 · 0 评论 -
(ResNet)Deep Residual Learning for Image Recognition论文阅读笔记
(ResNet)Deep Residual Learning for Image Recognition论文阅读笔记2015Abstract更深的网络更难去训练。我们提出了一种残差学习框架来使得网络训练更容易训练,并可以训练更加深的网络。我们使得网络层根据层的输入学习残差函数,而不是学习未知函数。**我们提出了可理解的经验证据证明这些残差网络更容易优化,并且可以从适当增加深度来获得准确率提升。**在ImageNet数据集上,我们评估的残差网络最多到152层,比VGG网络要深8倍,但是有着更低的复杂性。集原创 2020-05-26 15:53:57 · 263 阅读 · 0 评论 -
Fast R-CNN论文阅读笔记
Fast R-CNN论文阅读笔记2015Abstract本文提出了一个快速地基于区域的卷积网络方法(Fast R-CNN),用于目标检测。Fast R-CNN在之前工作上进一步发展来有效率地使用深度卷积网络来分类目标proposal。与之前的工作相比,Fast R-CNN使用了几个改进来提升训练和测试速度,同时提升了检测准确率。Fast R-CNN训练比较深的VGG16网络比R-CNN快9倍,测试上快了213倍,在PASCAL VOC2012上取得了更好的mAP。与SPPnet相比,Fast R-CNN原创 2020-05-30 21:41:59 · 266 阅读 · 0 评论 -
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文阅读笔记2016
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文阅读笔记2016Abstract目前的目标检测网络依赖于region proposal算法来提出假设的目标位置。之前SPPnet和Fast R-CNN已经减少了检测网络的运行时间,但是减少proposal的时间还是一个瓶颈。本文中,**我们介绍一种region proposal network(RPN),可以与检测网络共享整张图像的卷积特征,这就原创 2020-06-05 14:28:52 · 342 阅读 · 0 评论