目标检测
文章平均质量分 94
大林兄
这个作者很懒,什么都没留下…
展开
-
目标检测: 一文读懂 YOLOX
论文:YOLOX: Exceeding YOLO Series in 2021论文链接:https://arxiv.org/pdf/2107.08430.pdf代码链接:https://github.com/Megvii-BaseDetection/YOLOX.文章目录1 为什么提出YOLOX2 YOLOX 网络架构3 YOLOX 实施细节3.1 backbone3.2 neck3.3 Head3.3.1 Decoupled Head3.3.2 Anchor-free3.4 如何计算Loss3.5 如原创 2022-04-10 21:37:13 · 24731 阅读 · 10 评论 -
目标检测: 一文读懂 OTA 标签分配
论文:OTA: Optimal Transport Assignment for Object Detection论文链接:https://arxiv.org/abs/2103.14259代码链接:https://github.com/Megvii-BaseDetection/OTA文章目录1 什么是标签分配?2 为什么提出OTA?3 OTA方法3.1 OTA 思路3.2 Optimal Transport3.3 OT for Label Assignment4 OTA实施细节5 OTA效果性能原创 2022-04-10 11:26:03 · 12891 阅读 · 7 评论 -
目标检测:一文读懂 TTFNet (CVPR2020)
论文:Training-Time-Friendly Network for Real-Time Object Detection论文链接:https://arxiv.org/pdf/1909.00700.pdf代码链接: https://github.com/ZJULearning/ttfnet1 为什么提出 TTFNet?本文旨在提高模型训练收敛速度,在CenterNet基础上做了进一步改进。提高模型训练速度有2种潜在方式:(1) 增大学习率;(2) 减少使用数据增强,如果直接使用这两个方法一般原创 2022-04-06 22:05:49 · 2427 阅读 · 0 评论 -
目标检测: 一文读懂 FCOS (CVPR 2019)
论文:FCOS: Fully Convolutional One-Stage Object Detection代码:https://github.com/tianzhi0549/FCOS1 前言现在主流的目标检测网络如 RetinaNet, SSD, YOLOv3 和 Faster R-CNN 都是基于anchor-based,存在如下缺点:(1) 检测性能对 anchor boxes的数量和宽高比(aspect ratio)敏感;(2) 由于anchor boxes 的宽高比是固定的,难以处理尺原创 2022-04-04 19:40:42 · 8756 阅读 · 1 评论 -
目标检测: 一文读懂 CenterNet (CVPR 2019)
论文:Objects as Points代码:https://github.com/xingyizhou/CenterNet1 前言CenterNe提出了一个更加简单高效的anchor-free目标检测框架,首先根据关键点估计来找出物体中心点,随后进一步预测出物体其他属性,如尺寸、3D位置、方位、姿态等。在COCO数据集上实现了速度和精度的平衡,性能如下:28.1% AP (142 FPS)、37.4% AP (52 FPS) 和 45.1% AP(1.4 FPS)。 图1 CenterNet 可视原创 2022-04-03 19:28:40 · 6196 阅读 · 0 评论 -
目标检测: 一文读懂 Mosaic 数据增强
前言在Yolo-V4、Yolo-V5中,都有一个很重要的技巧,就是Mosaic数据增强,这种数据增强方式简单来说就是把4张图片,通过随机缩放、随机裁减、随机排布的方式进行拼接。Mosaic有如下优点:(1)丰富数据集:随机使用4张图片,随机缩放,再随机分布进行拼接,大大丰富了检测数据集,特别是随机缩放增加了很多小目标,让网络的鲁棒性更好;(2)减少GPU显存:直接计算4张图片的数据,使得Mini-batch大小并不需要很大就可以达到比较好的效果。 图1 mosaic 效果 mosaic p原创 2022-03-28 21:17:22 · 25665 阅读 · 11 评论 -
目标检测: Camvid 语义标签转化为bbox标签
Camvid 语义标签转化为目标检测bbox标签原创 2022-03-28 12:47:39 · 895 阅读 · 0 评论 -
目标检测: 一文读懂 YOLOV5 Loss 正样本采样
前言YoloV5中loss由正样本和负样本两部分loss组成,负样本对应着图像的背景,如果负样本远多于正样本,则负样本会淹没正样本的损失,从而降低网络收敛的效率与检测精度。这就是目标检测中常见的正负样本不均衡问题,解决方案之一是增加正样本数。Yolo anchor_based 系列使用的loss公式如下:公式中:SSS: S×SS×SS×S 个网格;BBB:每个网格产生 BBB 个候选框anchor box;1i,jobj1_{i,j}^{obj}1i,jobj: 如果在 i,ji,ji,j原创 2022-03-29 14:44:08 · 9545 阅读 · 8 评论