论文学习
文章平均质量分 92
MrBamboo2000
和光同尘,湛兮或存
展开
-
读论文随笔之简单谈谈PINNs
我们如何解决预测问题在很多实际的工程问题中,我们经常会碰到很多预测问题,而当这些预测问题与时间和空间相关时,他们往往会与偏微分方程(PDE)相关,比如台风预报、河流流速流量预测等等。一般来说,主流的求解偏微分方程问题的手段大多采用有限元法。百度百科上给出的定义是:在数学中,有限元法(FEM,Finite Element Method)是一种为求解偏微分方程边值问题近似解的数值技术。求解时对整个问题区域进行分解,每个子区域都成为简单的部分,这种简单部分就称作有限元。在这段描述中,我们可以发现,有限元原创 2022-03-15 16:15:01 · 2238 阅读 · 0 评论 -
高光谱目标检测论文学习(6)—— Bayesian Constrained Energy Minimization for Hyperspectral Target Detection
前言之前我们我们学习了HCEM和ECEM两种CEM的改进方法,这两种方法的相同点是都考虑了实际情况,加入了非线性检测的部分,从而提升了检测性能,不同的是一个主要是采用分层迭代的思想,一个采用集成学习、级联检测的思想。在这一篇文章中我们重点介绍一种新的方法BCEM,这是一种利用贝叶斯的思想去优化改进目标光谱,从而达到提升检测性能的目的。思路回顾我们之前提过的几种CEM变种方法,他们都是默认给定的目标光谱是准确的,而对实际高光谱图像来说,给定的目标光谱不一定就是完全精准且适合这张图像的目标光谱。导致这种原创 2022-02-23 09:17:07 · 2179 阅读 · 1 评论 -
高光谱目标检测论文学习(5)—— Ensemble-Based Cascaded CEM for HTD
前言上一篇我们学习的对CEM进行改进的方法是多层串联(HCEM),这种方法的本质是进行多次迭代来增加精度并使用了非线性处理来贴合真实世界情况。CEM作为一种检测器,其与分类器在很大程度上是极其相似的,而随着机器学习的兴起,集成学习成为提升分类器性能的一大重要方法。本文便是利用了集成学习的思想去对CEM进行改进,并借鉴了hCEM加入非线性处理的思想进一步贴合真实世界情况。思路CEM是一种当目标先验知识部分已知时进行目标检测的方法,本质上是一个使输出能量最小的线性滤波器。这里需要注意的是,CEM仍然是线性原创 2022-01-26 11:41:40 · 2989 阅读 · 0 评论 -
高光谱目标检测论文学习(4)——Hierarchical Suppression Method for Hyperspectral Target Detection
前言这篇论文是一篇稍微老一点的论文,发表于TGRS2016,主要讲了一种对CEM的改进方法,也是一篇基本思路比较简单的顶会论文。主要想通过这篇论文体会一下如何对现有经典方法进行改进。思路我们首先来回忆一下之前学过的一些高光谱目标检测方法。我们在这个系列中的前几篇文章中已经了解了很多可以用于高光谱目标检测的方法了,比如MF、ACE、AMF、ASD、OSP、CEM等等,这些方法如果给他们分个类的话,大概可以分成三类。第一类是把目标检测问题转化为假设检验问题,然后使用一些现有的检测准则进行检测(如似然比等原创 2021-12-08 11:22:52 · 3675 阅读 · 1 评论 -
高光谱目标检测论文学习(3)——An Effective Evaluation Tool for Hyperspectral Target Detection: 3D ROC Analysis
前言这篇文章是这个系列的第三篇,论文还是与前两篇同一作者。前面我们主要讲了一些目标检测的方法,比如第一篇里我们总结了基于LRT、基于SNR和基于SA的三类方法,在第二篇中我们聚焦混合像素图像的目标检测问题,对一种经典的方法OSP进行改进。只有方法还不是全部,我们还需要了解,用什么指标去衡量这些方法的性能。在前两篇文章中,我们都提到了3D-ROC这个用来进行评估的工具,这一篇就来重点看看这个工具。如果只是想简单了解本文,可以只看思路部分。思路ROC的全名叫做Receiver Operating Char原创 2021-12-03 17:02:49 · 2615 阅读 · 4 评论 -
高光谱目标检测论文学习(2)——OSP Using Data Sphering and LRaSMD for HTD
前言这篇论文的原题目叫《Orthogonal Subspace Projection Using Data Sphering and Low-Rank and Sparse Matrix Decomposition for Hyperspectral Target Detection》,与高光谱系列(1)中的论文出自同一作者。这篇论文主要是对高光谱目标检测领域一个非常经典而著名的方法OSP(正交子空间投影)进行了改进,和上篇文章的方法内容有相似之处。思路我们知道OSP方法是一种非常经典的高光谱目标检测原创 2021-11-27 20:25:17 · 3622 阅读 · 0 评论 -
高光谱目标检测论文学习(1)—— Hyperspectral Target Detection:Hypothesis Testing,SNR and SA Theories
前言从这篇开始,将会学习一些高光谱目标检测的论文,我仍然把这篇文章放到了读论文专栏里,但是不对其进行顺序编号了,因为这个方向是比较小众的。今天来学习这篇TGRS2021的最新论文,讲的比较详细,相对比较适合初学者入门。我之前也写过一些有关目标检测的论文,但是高光谱目标检测(HTD)和之前的我们学的目标检测是不同的,因为其检测的对象不是普通摄像头得来的数字图像,而是高光谱遥感图像。其包含了很多光谱信息,而光谱信息本身经过处理后就可以作为特征,因此很多情况下就无需使用广义的目标检测问题中的卷积神经网络等方式去原创 2021-11-24 21:12:06 · 5729 阅读 · 0 评论 -
读论文(9)——BorderDet
前言我们在上篇聊了FCOS这个方法,指出了anchor-free方法的可能性与有效性,今天聊的这个方法算是对FCOS的一个补丁。这个方法是为了解决类似SSD、FCOS、RetinaNet这些用点特征进行检测的模型对特征表示不完备而导致位置信息缺失的问题而提出的。原论文题目为《BorderDet: Border Feature for Dense Object Detection》。思路我们之前在研究目标检测时,都没有提过“特征表示”这个问题,也就是说,怎么样选特征、怎么样增强特征能让特征发挥最大的作用原创 2021-11-10 22:52:03 · 469 阅读 · 0 评论 -
读论文(8)——FCOS
前言我们在上一篇论文中已经介绍了一种anchor-free(即抛弃掉anchor进行目标检测)的思路,也就是通过检测关键点来定位目标,用关键点去描述目标。这种思路我们一般称之为基于keypoint的anchor-free方法,除了我们上次介绍的CenterNet(检测边界框的中心点) 以外还有 CornerNet(检测边界框的左上角和右下角的关键点)、ExtremeNet(检测边界框的四个角的关键点) 等。这一次我们来介绍另一种思路,称为基于segmentation的anchor-free方法。这种方法和原创 2021-11-09 20:39:24 · 3583 阅读 · 0 评论 -
读论文(7)——CenterNet
前言原创 2021-11-05 13:25:01 · 1178 阅读 · 0 评论 -
读论文(6)——RetinaNet(focal loss)
前言原论文题目是《Focal Loss for Dense Object Detection》。这篇文章主要是介绍了一种特殊的损失函数Focal原创 2021-11-02 22:05:37 · 730 阅读 · 0 评论 -
读论文(5)——DETR
前言我们前面学习了这么多目标检测方面的文章,没有一个方法是完完全全能够实现端到端检测,无任何人为引入、手工设计的先验知识的方法,我们十分渴望能出现一个端到端的方法,且这个方法在性能上是可用的。CV领域的方法似乎已经被我们翻了个底朝天了,那么我们能不能从别的领域找灵感呢?DETR就是一个从NLP领域找到解决思路的方法。原论文题目为《End-to-End Object Detection with Transformers》,从题目中就可以看出,本文借鉴了Transformer这个方法实现了端到端的目标检测原创 2021-10-29 17:26:11 · 1055 阅读 · 1 评论 -
读论文(4)——FPN
前言原论文名称为《Feature Pyramid Networks for Object Detection》,是一篇多尺度目标检测的经典论文。之前在SSD的论文解读中提到,SSD使用了不同卷积层的feature map来进行多尺度检测。这个方法其实非常巧妙,因为不同层的输出结果中其实就隐含了不同尺度的信息,而且这种方式不会增加额外的计算量,相比之前对图像做多尺度的变换(图像金字塔)之后再分别进行检测计算量和内存开销都要小很多。FPN就是受到了SSD的启发诞生的一种对于多尺度检测更加完备、更加高效的方法,原创 2021-10-28 14:03:28 · 2466 阅读 · 0 评论 -
读论文(3)——SSD
前言原文名称《SSD:Single Shot MultiBox Detector》,也是一个十分经典的单阶段目标检测方法。从时间上看,这篇论文在YOLO v1之后,YOLO v2之前。因此其实在学完YOLO的三篇论文之后再看这个的顺序其实不太好,因为个人感觉YOLO v2和v3很大程度上SSD的一些东西拿过去又缝补到了YOLO上,这样就没法让我在读SSD时有很惊艳的感觉——因为很多东西感觉似曾相识。但是这样的好处是可以更好地理解这些共同点的有用之处——毕竟在两种方法上都能取得很好的效果。...原创 2021-10-23 15:38:53 · 1251 阅读 · 0 评论 -
读论文(2)——YOLO原作者本人的后续改进
前言YOLO发表一年后,论文作者提出YOLO的改进版YOLO v2和YOLO9000,之后又提出YOLO v3,随后便宣布退出计算机视觉的研究领域,现在我们看到的YOLO v4和v5版本都是其他人进行更新的。本文主要简单写写对v2和v3版本论文的一些理解,然后如果之后有时间再去研究v4和v5版本。YOLO v2与YOLO9000原始论文题目为《YOLO9000:Better,Faster,Stronger》,这个在arxiv和IEEE explore中都能找到。从题目中就可以看出,作者写v2的目的就是原创 2021-10-21 15:56:13 · 869 阅读 · 0 评论 -
读论文(1)——YOLO v1
前言这是一篇目标检测领域极其经典的文章,YOLO这个框架甚至很多不搞cv的同学都听说过它的鼎鼎大名。本人也是暑假里接触到了这个方法并实操了一个与其有关的实时视频目标检测项目,当时仅仅是做出了结果而没有深刻了解其内涵,趁现在有空来记录一下自己学习原始论文的心得体会。原文应该是可以在arxiv上下载,论文题目《You Only Look Once:Unified,Real-Time Object Detection》特点与思想YOLO全称是You Only Look Once,意为你只需看一眼,这个名字原创 2021-10-19 22:32:29 · 779 阅读 · 0 评论