目标检测
文章平均质量分 76
目标检测经典方法代码解读
蓝鲸鱼BlueWhale
香港中文大学计算机视觉方向博士在读
展开
-
目标检测经典论文详解
本系列文章将介绍一些目标检测发展的里程碑著作。目标检测代码解读一(FasterRCNN)目标检测代码解读二(SSD)目标检测代码解读三(YOLOv3SPP)图片来源目标检测论文解读四(检测蒸馏论文三篇)Mimicking Very Efficient Network for Object DetectionGeneral Instance Distillation for Object DetectionMulti-Scale Aligned Distillation for原创 2021-10-29 11:04:37 · 1643 阅读 · 1 评论 -
目标检测论文解读五(YOLOF)
2021年3月发表在CVPR上的You Only Look One-level Feature (YOLOF)指出FPN的成功在于其对目标检测优化问题的分治解决,而不是多尺度特征融合。基于这样的思想,YOLOF引入了一种替代的方法:只使用一级特征进行检测,而不是采用复杂的特征金字塔。在该方法中,作者提出了扩展编码器和均匀匹配两个关键组件,并对其进行了很大的改进。作者将FPN视为多进多出(Multiple In Multiple Out, MiMo)编码器,并和单进多出(SiMo)、多进单出(MiSo)原创 2021-10-27 23:58:41 · 1005 阅读 · 2 评论 -
基于检测代码库detectron2的蒸馏应用
1. 参数添加在config/defaults.py里面添加蒸馏参数的默认值,同时类似于定义了变量#==================================蒸馏参数=====================================_C.DISTILL.DO: True_C.DISTILL.PATH_T: 'configs/Distillation.yaml'_C.DISTILL.DISTILL: 'kd'# choices = ['kd', 'hint', 'attenti原创 2021-08-11 10:29:22 · 677 阅读 · 5 评论 -
检测数据库detectron2代码解析(一)训练文件
facebookresearch发表的检测数据库detectron2几乎涵盖了当下最新的各种检测代码。训练代码train_net.py1. 参数加载args = default_argument_parser().parse_args()例如,在训练时传入参数:python tools/train_net.py --config-file configs/COCO-Detection/faster_rcnn_R_50_FPN_1x.yaml \ --num-gpus 1原创 2021-08-06 18:06:59 · 1822 阅读 · 3 评论 -
检测数据库detectron2代码解析(二)BACKBONE
facebookresearch发表的检测数据库detectron2几乎涵盖了当下最新的各种检测代码。1. 模型建立def build_model(cfg): """ 构建整个模型架构,由 ``cfg.MODEL.META_ARCHITECTURE`` 定义。 根据配置函数里面的内容,找到对应的函数,然后调用创建模型。 """ meta_arch = cfg.MODEL.META_ARCHITECTURE model = META_ARCH_REGISTR原创 2021-08-09 15:16:51 · 4082 阅读 · 7 评论 -
目标检测论文解读四(检测蒸馏论文三篇)
在论文中,作者使用蒸馏来训练基于CNN的检测器,不需要ImageNet预训练。具体来说:从整个feature map中采样的特征进行模拟,并使用变换层将小网络中的特征映射到大网络的同维上。在训练小网络时,优化了两个网络的特征图上来自同一区域的特征之间的相似性。...原创 2021-08-11 16:22:18 · 635 阅读 · 1 评论 -
目标检测代码解读二(SSD)
自2014年RCNN论文发表之后,机器学习在目标检测领域得到了飞速发展,本系列文章将介绍一些目标检测发展的里程碑著作的代码实现。SSD1. 网络结构论文中给出的网络结构图如下:(1)backbone上图中,前4层卷积层使用的是ResNet50中的前4层卷积层,但其中第4层卷积层,即上图中的Con4层中的两个步距为2的卷积层改成了步距为1,如下图所示因此,SSD中所使用的backbone为:class Backbone(nn.Module): def __init__(self, p原创 2021-07-29 14:36:45 · 973 阅读 · 1 评论 -
目标检测代码解读三(YOLOv3SPP)
自2014年RCNN论文发表之后,机器学习在目标检测领域得到了飞速发展,本系列文章将介绍一些目标检测发展的里程碑著作的代码实现。原创 2021-07-30 16:50:34 · 1593 阅读 · 3 评论 -
目标检测代码解读一(FasterRCNN)
FasterRCNN框架图如下图所示1. RPNRPN中完成的任务有:计算每个预测特征层上的预测目标概率和bboxes regression参数生成一个batch的图像的所有anchors信息将预测的bbox regression参数应用到anchors上得到最终预测bbox坐标筛除小boxes框,nms处理,根据预测概率获取前post_nms_top_n个目标计算每个anchors最匹配的gt,并将anchors进分类为前景,背景以及废弃的anchors结合anchors以及对应的gt原创 2021-07-28 13:09:26 · 2858 阅读 · 2 评论