![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
目标检测
文章平均质量分 90
xiaochengJF
只是整理一些当笔记用
展开
-
目标检测论文笔记目录
论文笔记描述YOLOv1(CVPR 2016)✓\checkmark✓YOLOv2 (CVPR 2016)✓\checkmark✓YOLOv3 (CVPR 2018)✓\checkmark✓YOLOv4WongKinYiu/PyTorch_YOLOv4YOLOv5ultralytics/yolov5DenseBox (CVPR 2015)✓\checkmark✓SSD (ECCV 2016)✓\checkmark✓RCNN(CVP...原创 2020-11-16 22:01:32 · 343 阅读 · 0 评论 -
CenterNet
参考文献原创 2020-11-08 11:16:16 · 430 阅读 · 0 评论 -
CornerNet
论文:CornerNet: Detecting Objects as Paired Keypoints(CVPR 2018)速达>>原创 2020-11-08 11:15:41 · 174 阅读 · 0 评论 -
FCN
论文:Fully Convolutional Networks for Semantic Segmentation文章目录Fully convolutional networksFCN参考文献Fully convolutional networksFCN 把后面几个全连接都换成卷积,这样就可以获得一张2维的特征图,逐像素进行softmax得到分类信息,最终处理得到分割图将全连接层替换为卷积层,FCN就可以输入任意大小的图片,在整张图片上进行计算。计算共享相当于间接提速FCN如下图所示,每进行原创 2020-11-08 10:39:47 · 231 阅读 · 0 评论 -
ShuffleNet v2
(ECCV 2018)原创 2020-11-08 11:15:22 · 167 阅读 · 0 评论 -
ShuffleNet v1
论文:ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices(CVPR 2017)参考文献原创 2020-11-08 11:15:01 · 123 阅读 · 0 评论 -
MobileNets v2
论文:MobileNetV2: Inverted Residuals and Linear Bottlenecks(CVPR 2018)文章目录两点改进Linear BottlenecksInverted residuals参考文献两点改进MobileNets v1 用 Depthwise Separable Convolution 代替标准的卷积,MobileNets v2 在此基础上提出了两点改进:Linear BottlenecksInverted residualsLinear Bo原创 2020-11-08 11:14:29 · 154 阅读 · 0 评论 -
MobileNets v1
论文:MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications(CVPR 2017)文章目录针对问题Depthwise Sparable Convolutions拆分标准卷积为什么可以拆分为什么拆分BN层实验参考文献针对问题消费类产品很多是嵌入式的终端产品,嵌入式设备性能不强,即使考虑云计算,也需要消耗大量的带宽资源和计算资源,因此构建轻量级的深层神经网络具有较大的价值Depthwise Sp原创 2020-11-08 11:06:43 · 127 阅读 · 0 评论 -
DIoU
论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression(2019)具备 GIoU Loss 的同时:考虑与目标中心距离,收敛更快在被预测框包含的情况下,GIoU Loss基本退化为 IoU Loss,DIoU Loss 仍能发挥较大优势,如下图所示,根据 DIoU Loss 可以认为右侧预测框相对较好,这也符合直观感受可作为 NMS 评价指标GIoU 和 DIoU 效果LIoU=1−∣B∩Bg原创 2020-11-08 14:48:19 · 326 阅读 · 0 评论 -
Deformable ConvNets v2
参考文献【1】Deformable ConvNets v2算法笔记原创 2020-11-08 14:31:42 · 342 阅读 · 0 评论 -
OHEM算法
参考文献原创 2020-11-08 10:56:46 · 825 阅读 · 0 评论 -
Mask R-CNN
参考文献【1】使用colab运行深度学习gpu应用(Mask R-CNN)实践原创 2020-11-08 10:42:22 · 766 阅读 · 0 评论 -
SPPnet
候选框怎么映射到feature map训练1、候选区域选择(Region Proposal:可能出现目标的位置)用Selective Search方法从每张图像上选取约2000个region proposal通过神经网络获取整张图片的特征图,再将region proposal映射到特征图上得到region proposal的特征图谱(R-CNN将每个region proposal都放进网络...原创 2020-11-08 10:37:54 · 119 阅读 · 0 评论 -
Fast R-CNN
Faster RCNN Github项目地址:https://github.com/precedenceguo/mx-rcnn原创 2020-11-08 10:38:13 · 196 阅读 · 0 评论 -
Faster R-CNN
参考文献【1】Faster R-CNN:利用区域提案网络实现实时目标检测 论文翻译原创 2020-11-08 10:39:13 · 284 阅读 · 0 评论 -
Dilated/Atrous Convolution(空洞卷积)
参考文献【1】总结-空洞卷积(Dilated/Atrous Convolution)【2】Dilated Convolutions(空洞卷积)【3】Understanding Convolution for Semantic Segmentation原创 2020-11-08 10:43:13 · 657 阅读 · 0 评论 -
R-FCN
参考文献原创 2020-11-08 10:40:25 · 188 阅读 · 0 评论 -
GIoU
论文:Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression参考文献【1】CVPR2019: 使用GIoU作为检测任务的Loss原创 2020-11-08 10:52:36 · 148 阅读 · 0 评论 -
Reppoints
论文:RepPoints: Point Set Representation for Object Detection参考文献【1】目标检测论文阅读:RepPoints(Anchor Free)原创 2020-11-08 11:16:57 · 445 阅读 · 0 评论 -
Snip
论文:An Analysis of Scale Invariance in Object Detection – SNIP动机解决训练数据和测试数据不匹配的问题数据集中目标尺度分布范围较大,对于小目标的检测效果差常用的改善方法:图像金字塔,特征金字塔目标尺寸差异的影响梯度回传时只将和预训练模型所基于的训练数据尺寸相对应的ROI的梯度进行回传引入图像金字塔来处理数据集中不同尺寸的数据...原创 2020-11-08 10:54:55 · 212 阅读 · 0 评论 -
DenseBox
参考文献【1】DenseNet算法详解原创 2020-11-08 10:36:43 · 727 阅读 · 0 评论 -
HRnet
论文:Deep High-Resolution Representation Learning for Human Pose Estimation代码:https://github.com/leoxiaobin/deep-high-resolution-net.pytorchHRNet–从代码来看论文HRNet阅读笔记及代码理解...原创 2020-11-08 11:04:45 · 1316 阅读 · 0 评论 -
FCOS
参考文献原创 2020-11-08 11:16:39 · 146 阅读 · 0 评论 -
VGG
参考文献原创 2020-11-08 10:57:51 · 123 阅读 · 0 评论 -
ResNet系列
参考文献原创 2020-11-08 10:58:28 · 236 阅读 · 0 评论 -
YOLO v3
参考文献【1】yolo系列之yolo v3【深度解析】原创 2020-11-08 10:36:16 · 337 阅读 · 0 评论 -
Inception
参考文献原创 2020-11-08 11:03:22 · 220 阅读 · 0 评论 -
ACNet
论文:ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks原创 2020-11-08 10:55:37 · 5859 阅读 · 1 评论 -
IOU-Net
参考文献、【1】论文笔记:(IOU-Net) Acquisition of Localization Confidence for Accurate Object Detection原创 2020-11-08 10:46:57 · 310 阅读 · 0 评论 -
Soft NMS+Softer NMS+KL Loss
论文: Soft-NMS – Improving Object Detection With One Line of Code参考文献【1】Soft(er)-NMS:非极大值抑制算法的两个改进算法原创 2020-11-08 10:56:20 · 1065 阅读 · 1 评论 -
FPN
参考文献【1】FPN详解原创 2020-11-08 11:05:44 · 187 阅读 · 0 评论 -
YOLO v1
参考文献原创 2020-11-08 10:27:30 · 236 阅读 · 0 评论 -
YOLO v2
参考文献【1】YOLO v2算法详解原创 2020-11-08 10:29:03 · 222 阅读 · 0 评论 -
DetNet
论文:DetNet: A Backbone network for Object Detection(2018 )针对的问题:分类和检测两种任务的关注点不同,如:检测就需要更多地关注目标尺度、位置等信息,因此分类模型提取的特征比一定适用于检测通过较深的网络提取高级的语义信息对分类任务很有效,但深层特征感受野增大的同时特征图分辨率也在降低,缺乏目标的细节信息,不利于目标的定位下图A中:F...原创 2020-11-08 11:06:25 · 1215 阅读 · 0 评论 -
SSD
参考文献【1】目标检测算法之SSD原创 2020-11-08 10:37:14 · 275 阅读 · 0 评论 -
Cascade R-CNN
参考文献【1】论文: Cascade R-CNN Delving into High Quality Object Detection【2】github项目链接原创 2020-11-08 10:41:50 · 815 阅读 · 0 评论 -
Deformable ConvNets可变形卷积
论文:Deformable Convolutional Networks目标的尺寸、形状变化不一,虽然现有的深度网络对此有一定的特征提取能力,但并不是最优的,因此通过在卷积层中引入offset(deformable convolution)和在RoI pooling层中引入offset(deformable RoI pooling)提高网络的特征提取效果,这个offset的作用是使网络在提取特征...原创 2020-11-08 10:44:41 · 985 阅读 · 1 评论 -
EfficientNet
论文:EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks(2019)常用的提升网络指标的三种方式:(a)更宽(channels)、(b)更深(layers)、(c)更高的分辨率(imput image)文中则是对三种方式进行综合考虑,在给定的资源限制条件下调整网络至最优(如下图(d)),因为三种方式都...原创 2020-11-08 11:04:16 · 135 阅读 · 0 评论 -
Focal Loss/RetinaNet
为什么需要对 classification subnet 的最后一层conv设置它的偏置b为−log((1−))-log((1-))−log((1−))代表先验概率,就是类别不平衡中个数少的那个类别占总数的百分比,在检测中就是代表object的anchor占所有anchor的比重。论文中设置的为0.01参考文献【1】focal loss理解与初始化偏置b设置解释...原创 2020-11-08 10:57:24 · 325 阅读 · 0 评论 -
DenseNet
论文:Densely Connected Convolutional Networks(2017)网络深度越深越容易出现梯度消失问题,因为输入信息和梯度信息在很多层之间传递导致的,DenseNet与残差结构类似,但有更多的跳跃连接,其连接形式如下图,每一层的输入来自前面所有层的输出,可以减轻梯度消失现象,训练更深的网络DenseNet与DenseNet连接方式的不同,网络在lll层的输出R...原创 2020-02-13 20:42:53 · 259 阅读 · 0 评论