BigCowPeking

CVPR2018上关于目标检测（object detection）的论文比去年要多很多，而且大部分都有亮点。从其中挑了几篇非常有意思的文章，特来分享。1、Cascaded RCNN 论文：Cascade R-CNN Delving into High Quality Object Detection 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https:...

Motivation通过增加context的信息来提高目标检测的准确率是一个常见的方法，在SSD当中，作者没有利用到context的信息，因此，作者在DSSD里面尝试通过加入context来改善SSD的性能Framework 上图表示SSD的基本结构，采用的是VGG作为base network，后来有作者新加的SSD layer，然后在选择的多尺度的feature map上做预测.下图表示DSSD...

所有的two-stage detection 算法大致都由两部分组成：RPN生成proposal和对proposal的cls和reg。本科做毕设用了Faster RCNN，对此类算法稍稍有点了解，但是还是很多迷惑。最近本人认真研读了light head rcnn，对two stage算法进行了比较，也解答了之前的一些疑惑。列举： 1. RPN网络中anchor和proposal的关系以faster...

Faster RCNN 推荐区域理解：主要的原因还是提proposal（最后输出将全连接换成全卷积也是一点）。其实总结起来我认为有两种方式：1.RPN，2. 暴力划分。RPN的设计相当于是一个sliding window 对最后的特征图每一个位置都进行了估计，由此找出anchor上面不同变换的proposal，设计非常经典，代价就是sliding window的代价。相比较 yolo比较暴力 ，直...

尊重原创：http://blog.csdn.net/jesse_mx/article/details/53925356论文地址：YOLO9000: Better, Faster, Stronger 项目主页：YOLO: Real-Time Object Detection Caffe实现：caffe-yolo9000 （最近博客下很多人请求caffe-yolov2代码，愿意研究的我都发送了，不过这...

SSD 的数据增强对ssd网络识别小物体效果明显（原文Fig6），而且他使用的方法有点特别，所以在此解析一下他的源码。python代码补充一下data augment翻译：叫“数据增广”更好，中科院自动化所的师兄的翻译更准确（一） ssd_pascal.py/examples/ssd/ssd_pascal.py 在此源码中有几个点是涉及到数据预处理的，在此列举如下：#第93行，变量batch_sa...

原代码见： https://github.com/chuanqi305/FocalLoss1，caffe.proto 源文件在src/caffe/proto/目录里 从492行这些optional里，作者添加了两行:optional ReLU6Parameter relu6_param = 208;optional FocalLossParameter focal_loss_param = 14...

转载：http://blog.csdn.net/qq_34564947/article/details/77200104Focal Loss for Dense Object Detection引入问题目前目标检测的框架一般分为两种：基于候选区域的two-stage的检测框架（比如fast r-cnn系列），基于回归的one-stage的检测框架（yolo,ssd这种），two-stage的效果好...

@改进1：RFCN       论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks    【点击下载】       MXNet代码：【Github】一. 背景介绍       RCNN 在目标检测上取得了很大的成功，比如 SPPnet、Fast R-CNN、Faster

1：SSD的anchor尺寸的选择：    下面来看下SSD选择anchor的方法。首先每个点都会有一大一小两个正方形的anchor，小方形的边长用min_size来表示，大方形的边长用sqrt(min_size*max_size)来表示(min_size与max_size的值每一层都不同)。同时还有多个长方形的anchor，长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来...

转载： http://blog.csdn.net/u014380165/article/details/77130922论文：Enhancement of SSD by concatenating feature maps for object detection 论文链接：https://arxiv.org/abs/1705.09587算法详解： SSD算法在object detection领域...

论文：R-FCN-3000 at 30fps: Decoupling Detection and Classification 链接：https://arxiv.org/abs/1712.01802这篇文章是对R-FCN算法（关于R-FCN算法的介绍可以看博客：R-FCN算法及Caffe代码详解）的改进，当初提出R-FCN算法的主要目的在于引入position-sensitive score ma...

论文地址：Feature Pyramid Networks for Object DetectionGithub: https://github.com/BigcowPeking/FPN前言这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想...

py-R-FCN源码下载地址：https://github.com/Orpine/py-R-FCN也有Matlab版本：https://github.com/daijifeng001/R-FCN本文用到的是python版本。本文主要参考https://github.com/Orpine/py-R-FCN。准备工作：

论文：DSSD : Deconvolutional Single Shot Detector论文地址：https://arxiv.org/abs/1701.06659代码：https://github.com/chengyangfu/caffe/tree/dssdDSSD是2017年的CVPR，二作就是SSD的一作Wei Liu。另外值得一提的是，一作Cheng Yang Fu和Wei Liu大神...

转载：http://www.cnblogs.com/makefile/p/YOLOv3.htmlYOLO主页  https://pjreddie.com/darknet/yolo/Kmeans计算anchors的方法：https://github.com/PaulChongPeng/darknet/blob/master/tools/k_means_yolo.py...

首先大体采用的是迁移学习的思路，注主要是对模型迁移，在img做了切割和西工大及北航的数据集上进行一个交叉训练，这样使得RPN的网络外面的打分函数有了一个更好的0.7的结果， 这个结果主要是通过对reLu这个网络进行求导发现这个函数的凸性问题从而得到局部最优，这样保证在训练时候能够更好的从概率密度函数中选取L2而不是L1， 通过以下流程说明网络种的核心（前后景问题） 首先RPN会找到一个提取候选框通...

作者：Alan Huang链接：https://www.zhihu.com/question/61772315/answer/191421994来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。在物体检测中， 除了物体本身的appearance之外， context对检测质量会有不少影响。 特别是当物体本身appearance信息不足的时候（遮挡，尺度过小等等），con...

论文：Single-Shot Refinement Neural Network for Object Detection 论文链接：https://arxiv.org/abs/1711.06897 代码链接：https://github.com/sfzhang15/RefineDetRefineDet是CVPR2018的论文，个人觉得是一篇很不错的文章，大致上是SSD算法和RPN网络、FPN算法...

论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn 目标检测真的没东西可做了吗？已经开始关注IOU的最优选择了，不过小的trick，确实提升效果也很显著；今天给大家介绍一篇个人觉得对detection非常有insight的一篇文章："Cascade R-CNN: Del...

 RCNN        RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化；算法可以分为四步：        1）候选区域选择        Region Proposal是一类传统的区域提取方法，可以看作不同宽高的...

一、yolov3论文解读论文连接地址： 点击打开链接1. yolov3实现的idea1.1 边界框的预测（Bounding Box Prediction）与之前yolo版本一样，yolov3的anchor boxes也是通过聚类的方法得到的。yolov3对每个bounding box预测四个坐标值(tx, ty, tw, th)，对于预测的cell（一幅图划分成S×S个网格cell）根据图像左上角...

github代码：https://github.com/szq0214/DSOD由于深度学习需要大量的训练数据，而针对特定任务需求的训练样本往往是有限的，通常情况下，目标检测算法会先使用在海量数据（如ImageNet数据集）上训练好的分类模型对需要训练的网络参数进行初始化（pre-train,预训练），然后使用训练样本对网络参数进行微调(fine-tune)。 但这种预训练结合微调的方法存在以下几...

1：SSDSSD算法的提出解决了fasterRCNN中只能在一层特征map上预测目标的问题，SSD可以在不同的特征map上来预测不同的目标大小，更加具有针对性，提升了目标的检出率，做了很多的数据增强，提升也比较大；缺点也比较明显，不同的anchors设置比较的麻烦，2：DSSD论文的核心思想，也就是如何利用中间层的上下文信息。方法就是把红色层做反卷积操作，使其和上一级蓝色层尺度相同，再把二者融合在...

每一种框架和算法的提出，都是为了解决一个问题而存在的！1：FasterRCNN提出RPN的机制，推荐anchors，解决了推荐窗口耗时的问题，但是对于大分类问题，第二阶段大的卷积核，耗时依然是个瓶颈；2：RFCN提出了位置敏感map的策略，使用psROIpooling的策略，尽量降低第二阶段的耗时，去掉了两个大的fc的耗时，采用了全局平均的策略，进一步的降低了二阶段的耗时，速度上得到较大的提升；3...

提示：红色标记表示添加的理解；绿色标记表示文章的重点；蓝色标记表示我们需要对这句话做解释，其后会跟着红色的解释；紫色标记是指org预印版论文与正式出版的区别，括号内的是与正式版不同的预印版内容，未用括号的紫色字体是正式版没有而只是预印版中的内容；文中的“^阿拉伯数字”代表脚注的标号，译文不列出，读者可以自行下载论文（正式版或预印版查看）。注意：如需编译配置SSD-caffe请参看博主博文：http...

数据增强效果图假设原图输入是一张640*480的图片，这里由于版面问题我放缩了图片尺寸并且没做mean subtract，由于最后会有resize参数导致输出的图片都会resize到300x300，但是主要看的是增强的效果，SSD中的数据增强的顺序是：DistortImage: 这个主要是修改图片的brightness，contrast，saturation，hue，reordering chan...

本文概览本文使用一个简单的卷积网络模型（ConvNet）在视频序列中同时实现多目标的跟踪和检测；本文构建了一个新颖的损失函数，包括用于单帧检测的多任务损失和用于多帧间跟踪回归损失；本文引入相关特征用于代表同一目标在不同帧图片中同时出现以此达到跟踪的目的；本文检测和跟踪相互辅助，同时产生高精度的检测和跟踪性能；本文提出在多帧中同时进行目标检测和跟踪任务，其中检测部分使用R-FCN框架，跟踪部分则将基...

Jump to...LeaderboardPapersR-CNNFast R-CNNFaster R-CNNMultiBoxSPP-NetDeepID-NetNoCDeepBoxMR-CNNYOLOYOLOv2AttentionNetDenseBoxSSDDSSDInside-Outside Net (ION)G-CNNHyperNetMultiPathNetCRAFTOHEMR-FCNMS-CN...

边界回归的详解，还是看这个原版的吧！

FasterRCNN算法:RPN层的深入理解

目标检测FasterRCNN:提升网络的分类精度海康威视

SSD目标检测

SSD论文策略理解

SSD目标检测原理

SSD算法详解default box

Squeezenet中添加OHEM层

Faster RCNN的理解点

SqueezeNet和Faster RCNN结合

1：采用SVD的压缩：采用tool中的compress文件压缩把fc6层和fc7层换成fc_L和fc_U,就可以压缩的了，模型会变小，精度会下降：2：修改anchors和多尺度，影响较大的精度：3：netScope查看网络的结构：4：face PVAnet的代码：https://github.com/twmht/PVANet-FACE5：nofc6 表示imagenet只有两个全连接层的预训练模型...