![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络
xiaoshulinlove
一只编程路上的小渣渣* o *
展开
-
以VGG为例计算网络参数量
https://imlogm.github.io/深度学习/vgg-complexity/转载 2020-12-21 11:14:10 · 760 阅读 · 0 评论 -
笔记:Scale-Transferrable Object Detection
尺度可转换目标检测 摘要 解决多尺度问题,与以往将来自不同网络深度的多个特征映射的目标预测结合起来的方法不同,本文提出的网络具有嵌入的尺度传递层,以明确探索跨多个检测尺度的尺度间一致性性质。尺度转换模块自然地适用于基本网络,计算量小。STDN得到显著改进。 一.介绍 为了在不影响检测速度的前提下获得高层次的语义多尺度特征图,我们开发了一个尺度转换模块(STM),并将该模块直接嵌入到DenseNet中。STM由池化和规模传输层组成。利用汇聚层获得小比例尺特征图,利用尺度转换层获得大比例尺特征图。 利原创 2020-05-23 23:23:46 · 334 阅读 · 0 评论 -
笔记:Scale-Aware Trident Networks for Object Detection
尺度感知的三叉目标检测网络 摘要 首先进行感受野对物体检测中尺度变化的影响的探索实验。由探索试验提出Trident Net,构造了一个并行的多分支体系结构,其中每个分支共享参数,具有不同的接受域。采用尺度感知训练方式,在适当尺度的位置上采样对象进行训练,对每个分支进行专门化。带有ResNet-101主干网的TridentNet实现了48.4map。 一.介绍 目标:通过为所有尺度创建具有统一表示能力的特征,从而使得对于不同尺度的物体具有不同的接受场。 本文提出一种新的网络结构,如下图所示c,创建多原创 2020-05-17 13:13:00 · 392 阅读 · 0 评论 -
笔记:DetNet: A Backbone network for Object Detection论文阅读
DetNet(2018) 一。摘要 现有骨干网络都是为分类任务设计,本文为目标检测专门设计了一个骨干网络DetNet 原因:1.FPN,RetinaNet等目标检测器通常比目标检测任务包含更多阶段,从而处理多尺度目标 2.目标检测任务不仅要对目标进行分类,还要进行定位,大的下采样因子带来大的感受野,利于目标分类,但不利于定位 在更深层中维持高空间分辨率的同时,DetNet 还包含与传统图...原创 2020-04-19 13:58:49 · 269 阅读 · 0 评论 -
笔记:论文阅读 Enriched Feature Guided Refinement Network for Object Detection
面向目标检测的丰富特征引导细化网络 摘要 提出一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题。 没有设计更深层网络,而是引入一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。 进一步提出一种级联改进方案,该方案首先将多尺度上下文特征嵌入到单级检测器的预测层中,以增强其对多尺度检测的分辨能力。其次,级联改进方案通过改进锚和丰富特征来改善分类和回归,从而解决了类间的不平衡...原创 2020-03-29 10:30:50 · 794 阅读 · 0 评论 -
笔记:论文阅读Learning Spatial Fusion for Single-Shot Object Detection
基于学习空间融合的单阶段目标检测 摘要 不同特征尺度之间的不一致性是基于特征金字塔的单阶段检测器的主要缺陷。 本文提出了一种新的基于数据驱动的金字塔特征融合策略,称为自适应空间特征融合(ASFF)。它学习了空间过滤冲突信息的方法来抑制不一致性,从而提高了特征的尺度不变性,并且开销小。 一介绍 不一致性:大实例通常与上feature map相关联,小实例与下feature map相关联。当...原创 2020-03-22 12:59:11 · 886 阅读 · 0 评论 -
笔记:论文阅读R-FCN: Object Detection via Region-based Fully Convolutional Networks
R-FCN:基于区域的全卷积网络目标检测 摘要 与之前的基于区域的检测器(如fast/faster R-CNN)相比,本检测器几乎与整个图像上共享的所有计算全卷积。 为实现这一目标,提出了位置敏感的分数映射来解决图像分类中的平移不变性和目标检测中的平移方差之间的矛盾。 本结果达到了2.5-20倍于更快的R-CNN。 代码公开于:https://github.com/daijifeng00...原创 2020-03-14 04:20:54 · 218 阅读 · 0 评论 -
笔记:论文阅读TBC-Net: A real-time detector for infrared small target detection using semantic constraint
TBC网络:一种基于语义约束的红外小目标实时检测方法(2019.9) 摘要 本文提出一种用于红外小目标检测的轻量级卷积神经网络TBC网络。TBC网络由目标提取模块(TEM)和语义约束模块(SCM)组成,分别用于从红外图像中提取小目标和训练过程中对提取的目标图像进行分类。同时,提出了一种联合损失函数和训练方法。单片机通过结合高级分类任务对TEM进行语义约束,解决了类不平衡导致的特征学习困难的问题...原创 2020-03-08 11:30:35 · 2888 阅读 · 5 评论 -
笔记:论文阅读Cross-Domain Weakly-Supervised Object Detection through Progressive Domain Adaptation
基于渐进域适应的跨域弱监督目标检测 摘要 访问源域中具有实例级注释的图像(例如,自然图像)和目标域中具有图像级注释的图像(例如,水彩)。 需要目标域中检测的类是源域中的类的全部或子集。 提出了一种两步渐进域自适应技术。从一个在源域上预训练的全监督目标检测器出发,通过对两种类型的人工和自动生成样本上的检测器进行微调。 在新收集的三个目标域数据集上进行测试,与当前性能最好的wsd相比,平均精...原创 2020-03-01 12:48:28 · 2689 阅读 · 0 评论 -
笔记:论文笔记Weakly Supervised Deep Detection Networks
弱监督深度目标检测网络(2016) 摘要 提出一种弱监督的深度检测结构,使其在图像级别上运行,同时进行区域选择和分类。 在PASCAL-VOC数据上隐式学习优于其他弱监督检测系统的目标检测器。 该模型是一个简单的端到端架构,在图像级分类方面也优于标准的数据增强和微调技术。 缺陷:单图同类单个 一.介绍 本文提出了一种新的端到端的弱监督目标检测方法,称之为弱监督深度检测网络(WSD...原创 2020-03-01 06:24:23 · 578 阅读 · 0 评论 -
笔记七.CVPR目标检测论文阅读ScratchDet: Training Single-Shot Object Detectors from Scratch
一.背景问题 目前在数据集ImageNet上预训练现成网络,再进行微调,存在的问题: 1)分类和检测任务对目标位置有不同程度的敏感度,导致最终学习目标产生偏差; 2) 该体系结构受分类网络的限制,给修改带来不便。 为了解决这些问题,从零开始训练探测器是一个可行的解决方案。 通过大量的实验和对下采样因子的分析,提出了一种充分利用原始图像信息的root-ResNet骨干网。 我们的Scra...原创 2019-12-22 13:28:45 · 304 阅读 · 0 评论 -
笔记六:目标检测Residual Bi-Fusion Feature Pyramid Network for Accurate Single-shot Object Detection论文阅读
一.目的及方法 为了在深层次提高小目标检测精度和效率。为了保持大尺寸和小尺寸目标检测结果的一致性,本文提出了一种新的结构ReBiF特征金字塔。它是双向的,可以融合深部和浅部特征,使目标检测更加有效和稳健。由于“残差”的性质,类似于ResNet[5],可以很容易地训练和集成到不同的骨干(甚至更深或更轻)比其他双向方法。在这种结构的基础上,提出了一种新的双融合模型,使残差特征形成一个紧凑的表示,将更...原创 2020-01-17 15:01:31 · 3417 阅读 · 8 评论 -
笔记五:CVPR2019目标检测论文阅读 Feature Selective Anchor-Free Module for Single-Shot Object Detection
效果对比: 一.背景介绍 首先anchor的设计是为了将所有可能的实例框的连续空间离散成具有预定义位置、比例和方向的有限个anchor框。实例框与anchor框的匹配基于IOU重叠。 为了实现尺寸不变性,又因为以下特点:上层feature map有更多的语义信息适合于检测大位置,而下层feature map有更多的细粒度细节适合于检测小实例。所以当前,当与特征金字塔集成时,大anchor...原创 2019-12-08 14:03:16 · 394 阅读 · 0 评论 -
运行SSD-tensorflow error
1.UnicodeEncodeError: 'utf-8' codec can't encode character '\udcd5' in position 1892: surrogates not allowed 网提供:1.编码问题 2.文件路径格式问题 me:读取文件问题 原image_data = tf.gfile.FastGFile(filenam...原创 2019-11-01 17:51:35 · 184 阅读 · 0 评论