[论文阅读]Object Detection With Deep Learning: A Review

最新推荐文章于 2022-09-28 19:36:25 发布
最新推荐文章于 2022-09-28 19:36:25 发布
阅读量2k 收藏 4
点赞数 1
分类专栏： 论文阅读
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_43859829/article/details/105675389
版权
本文回顾了深度学习在目标检测领域的应用，从传统的三步检测方法到现代的神经网络算法。作者详细探讨了双阶段检测器如R-CNN系列和单阶段检测器如YOLO、SSD。文章强调了SPP-Net解决形变问题，Fast R-CNN的效率提升以及Faster R-CNN引入的RPN网络。尽管只重点介绍了部分关键网络，但提供了该领域的深入理解。
摘要由CSDN通过智能技术生成

题目：Object Detection With Deep Learning: A Review
作者：Zhong-Qiu Zhao、 Peng Zheng、Shou-Tao Xu, and Xindong Wu

Motivation:
作者想写一篇综述

Methods:
作者介绍了传统目标检测的三步：感兴趣区域提取、特征提取、分类
作者又说了目标检测的领域划分，然后分别作详细介绍。
在这里插入图片描述
然后作者分析了神经网络算法的历史，及结构和优点。
Generic Object Detction:
其又分为基于推荐感兴趣框的目标检测（双阶段目标检测）和基于回归分类的目标检测（单阶段目标检测）
其中双阶段目标检测网络有 R-CNN、spatial pyramid pooling (SPP)-net , Fast R-CNN ,Faster R-CNN, region-based fully convolutional network(R-FCN) , feature yramid networks (FPN), Mask R-CNN,SPP-net modifies R-CNN with an SPP layer等。
其中单阶段目标检测网络有：MultiBox, AttentionNet , G-CNN, YOLO ,Single Shot MultiBox Detector (SSD) , YOLOv2 ,deconvolutional single shot detector (DSSD) , and deepl

最低0.47元/天 解锁文章
一碗白开水一
关注
专栏目录
目标检测论文：Recent Advances in Deep Learning for Object Detection
mingo_敏
10-01 1801
目标检测论文：Recent Advances in Deep Learning for Object Detection two-stage detection frameworks: one-stage detection frameworks:
【目标检测系列：一】综述阅读笔记 Deep Learning for Generic Object Detection: A Survey
鹿鹿的博客
05-26 1025
【摘要】 本次调研包括250多项关键技术，涵盖了通用目标检测研究的许多方面：前沿的检测框架和基本子问题，包括目标特征表示，候选区域生成，上下文信息建模和训练策略等；评价问题，特别是benchmark数据集，评价指标和最先进的方法。最后，讨论了未来研究的方向。 object feature representation, object proposal generation, context in...
目标检测：Object Detection with Deep Learning: A Review
WaitFoF
10-06 2967
文章目录1. INTRODUCTION2. A BRIEFOVERVIEW OFDEEPLEARNING3. 通用目标检测A. Region Proposal Based Framework:基于区域提案的框架1） R-CNN2） SPP网络3） Fast R-CNN4) Faster R-CNN5) R-FCN6) FPN7） Mask R-CNN8） 多任务学习、多尺度表示和上下文建模9） 基于深度学习的目标检测思考B. Regression/Classification Based Framework
Deep Learning for Generic Object Detection: A Survey -- 目标检测综述总结
quanwei的博客
09-25 2万+
最近，中国国防科技大学、芬兰奥卢大学、澳大利亚悉尼大学、中国香港中文大学和加拿大滑铁卢大学等人推出一篇最新目标检测综述，详细阐述了当前目标检测最新成就和关键技术。文章最后总结了未来8个比较有前景的方向，对从事这个领域的人非常有借鉴作用。 通用目标检测旨在从自然图像中定位大量预定义类别的物体实例,是计算机视觉中最基本和最具挑战性的问题之一。近年来，深度学习技术已成为数据中学习特征表示的有力方法，并在...
【论文翻译】Deep Learning
weixin_44636876的博客
08-15 867
论文来源:Deep learning Deep Learning Yann LeCun, Yoshua Bengio & Geoffrey Hinton ## Abstract Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. The
Object detection with deep learning and OpenCV
weixin_34356555的博客
04-24 198
目录 Single Shot Detectors for Object Detection Deep learning-based object detection with OpenCV   这篇文章只是基于OpenCV使用SSD算法执行目标检测；不涉及到SSD的理论原理、不涉及训练过程；也就是...
Object Detection With Deep Learning：A Review.pdf
04-07
目标检测综述
变化检测综述 Deep learning for change detection in remote sensing images: comprehensive review and me
cocool的博客
03-31 1万+
Deep learning for change detection in remote sensing images: comprehensive review and meta-analysis 摘要 深度学习（DL）算法被认为是过去几年遥感图像分析选择的方法。由于其有效的应用，还引入了深度学习，用于自动变更检测，取得了巨大的成功。本研究试图提供全面的审查和荟萃分析本次领域最近的进展情况。具体而言，我们首先介绍了经常用于改变检测的深度学习方法的基础。其次，我们介绍了Meta分析的细节，进行了调查检测DL
论文阅读_Object Detection
xumengfan的博客
03-21 483
Girshick R, Donahue J, Darrell T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation [J]. 2014:580-587. 问题[1]： 使用滑动窗法依次判断所有可能的区域速度慢、效率低；提取人工设定的特征（Haar，HOG）进行检测的...
论文阅读 (74)：A Review: Knowledge Reasoning over Knowledge Graph
因吉的博客
09-28 1190
大规模数据集上的知识挖掘依赖于推理技术。知识图谱作为知识表征的新类型，在自然语言处理中受到了极大关注。知识图谱可以有效地组织和表征知识，可以在高级应用程序中有效利用。知识图谱上的推理可以从已有数据上获得新的知识及结论。本文回顾了知识推理的基本概念及定义，以及知识图谱上的一些推理方法。这些方法被分为三类：规则推理 (Rule-based reasoning)； 分布表征推理 (Distributed representation-based reasoning)；神经网络推理 (Neural netw
【转载】Deep Learning Object Detection综述
u014410989的专栏
05-08 414
Deep Learning Object Detection综述 目标检测（Object Detection）是深度学习 CV 领域的一个核心研究领域和重要分支。纵观 2013 年到 2019 年，从最早的 R-CNN、Fast R-CNN 到后来的 YOLO v2、YOLO v3 再到今年的 M2Det，新模型层出不穷，性能也越来越好！ 本资源对目标检测近几年的发展和相关论文做出一份系统介绍，总...
说话人识别综述阅读1
lcxyplucky的博客
09-16 1883
说话人识别综述阅读 Deep learning methods in speaker recognition: a review 摘要 本文总结了深度学习在验证和识别领域的应用实践。语音识别是语音技术广泛应用的课题。在过去的5-6年里，已经开展了许多研究工作，但进展甚微。然而，随着深度学习技术在大多数机器学习领域的进步，以前的最先进的方法在说话人识别方面也被它们所取代。深度学习似乎成为了现在最先进的说话者验证和识别的解决方案。标准的x向量，除了i向量，在大多数新作品中被用作基线。收集的数据数量的增加为DL开
深度学习的视觉跟踪：一个全面的调查
u010238483的博客
01-30 3853
本篇文章翻译自一篇外文文献，仅供学习之用。 Deep Learning for Visual Tracking: A Comprehensive Survey Seyed Mojtaba Marvasti-Zadeh, Student Member, IEEE, Li Cheng, Senior Member, IEEE, Hossein Ghanei-Yakhdan, and Shohreh Kasaei, Senior Member, IEEE 摘要—视觉目标跟踪是计算机视觉中最抢手但最具挑战性的
deep learning object detection 精选
弥川的博客
04-08 473
deep learning object detection Author: deep learning object detection Paper list from 2014 to 2019 Detection methods category Multi-scale Feature Learning Data Augmentation Training Strategy Context-based Detection GAN-based Detection Neural
论文解读：跨模态/多光谱/多模态检测 Cross-Modality Fusion Transformer for Multispectral Object Detection
pontoon‘s zone
03-07 1万+
（可见图像和热成像） 右侧的热图像可以在光照不足的情况下捕捉到更清晰的行人轮廓。 此外，热图像还捕捉到被柱子遮挡的行人。在光线充足的白天，视觉图像比热图像具有更多的细节，例如边缘、纹理和颜色。有了这些细节，我们可以很容易地找到隐藏在机动三轮车中的司机，而这在热图像中是很难找到的。 1.瓶颈问题： 现实世界中环境是不断变化的，比如雨天，雾天，晴天，...
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
各种对象检测论文总结(Object Detection )
junmuzi的专栏
12-01 2万+
Original url: http://blog.csdn.net/u010167269/article/details/52563573 https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oc
Object Detection(目标检测论文、代码整合)
alphonse2017的博客
12-19 4321
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 文章目录PapersDeep Neural Networks for Object Dete...
a survey of deep learning-based object detection
最新发布
03-16
深度学习基于目标检测的调查 目标检测是计算机视觉中的一个重要问题，它涉及到在图像或视频中检测出特定对象的位置和类别。近年来，深度学习已经成为目标检测领域的主流方法。本文对基于深度学习的目标检测方法进行了调查。 深度学习基于目标检测的方法可以分为两类：基于区域提取的方法和基于全卷积网络的方法。基于区域提取的方法包括R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN等。这些方法首先使用选择性搜索或其他区域提取方法生成候选区域，然后对每个候选区域进行分类和回归。基于全卷积网络的方法包括YOLO、SSD和RetinaNet等。这些方法使用全卷积网络直接对整个图像进行分类和回归，从而实现端到端的目标检测。 在实际应用中，基于深度学习的目标检测方法已经取得了很大的成功。例如，在COCO数据集上，Mask R-CNN的平均精度达到了0.39，RetinaNet的平均精度达到了0.39。此外，这些方法在实时目标检测、多目标跟踪和目标分割等方面也取得了很好的效果。 总之，基于深度学习的目标检测方法已经成为计算机视觉领域的一个重要研究方向，未来还有很大的发展空间。
评论 2
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