目标检测
文章平均质量分 87
金牌港C
这个作者很懒,什么都没留下…
展开
-
目标检测学习-Libra R-CNN
1.训练过程中存在的不平衡在目标检测中,往往更加关注的是模型结构,但是与模型结构相比,训练过程对目标检测器来说也是很关键的。文中发现目标检测器性能往往收到训练过程中的不平衡的限制,这包括以下三点:1)sample level(样本层面),在训练一个检测器的时候,hard samples可以提高检测性能。然后使用随机采样的方式通常会导致选择的样本以简单样本为主。OHEM可以对这个缓解该问题,但是对噪声标签很敏感,并产生相当大的内存和计算成本。Focal Loss在一阶段算法中能有效缓解采样不平衡的问题,但原创 2021-08-25 21:02:04 · 5990 阅读 · 0 评论 -
目标检测学习-FSAF
1.ground truth分配中存在的一些问题在介绍FSAF前先说一下在带有FPN的检测器中是如何分配ground truth的,如下图Fig1所示,一个大小为50×50像素的汽车实例可能和小的anchor有好的重合所以将其分配给了small anchors这层,同理这个40×40像素的汽车也分配到了这层,但是,另一个60×60像素的汽车与其他两个有着相似的特征但是却分配到了medium anchors层。这就说明anchor匹配机制其本质上就是一种人为的启发式特征选择。这导致一个主要缺陷,即用于训练原创 2021-08-21 19:44:45 · 1725 阅读 · 0 评论 -
目标检测学习-TridentNet
1.研究背景1.1 图像金字塔图像金字塔如下图Fig1所示是一种以多分辨率来解释图像的结构,通过对原始的图像进行不同尺度的像素采样的方法,生成多个不同分辨率的图像。将生成的图像按照分辨率的大小从大到小进行排列,这就构成了一个图像金字塔,图像金字塔可以用在解决目标检测在处理多尺度变化问题。1.2 特征金字塔在绝大多数目标检测网络中,如下图Fig2特征金字塔(Feature Pyramid Network,FPN)是一个不可缺少的部分,FPN网络主要解决的问题是目标检测在处理多尺度变化问题.原创 2021-08-20 16:17:42 · 441 阅读 · 0 评论 -
目标检测学习-ASFF
1.背景介绍在绝大多数目标检测网络中,如下图Fig1特征金字塔(Feature Pyramid Network,FPN)是一个不可缺少的部分,FPN网络主要解决的问题是目标检测在处理多尺度变化问题的不足。FPN主要有以下两个作用:1)多尺度特征融合,提高了特征的丰富程度;2)使用分治法,将目标检测任务按照目标尺寸不同,分成若干个检测子任务。2.存在的问题在检测分支当中低层特征适合检测图片中的小物体,高层特征适合检测图片中的大物体,中间层特征适合检测图片中的中等大小物体。而在FPN中采用..原创 2021-08-19 22:04:50 · 3253 阅读 · 0 评论 -
目标检测学习-EfficientDet
1.背景介绍在绝大多数目标检测网络中,如下图Fig1特征金字塔(Feature Pyramid Network,FPN)是一个不可缺少的部分,FPN网络主要解决的问题是目标检测在处理多尺度变化问题的不足。FPN主要有以下两个作用:1)多尺度特征融合,提高了特征的丰富程度;2)使用分治法,将目标检测任务按照目标尺寸不同,分成若干个检测子任务。2. 文中挑战Challenge 1:高效的多尺度特征融合关于不同输入特征的融合,大部分的融合是不对特征进行区分的,只是简单的将特征汇总加和起来。然而原创 2021-08-17 21:28:01 · 424 阅读 · 0 评论