目标检测
文章平均质量分 95
yanghaoplus
这个作者很懒,什么都没留下…
展开
-
论文阅读|对Non-local 的轻量化改变ANLNet
Non-Local模块是一种效果显著的技术,但同时也受限于过大计算量而难以很好地嵌入网络中应用。为了解决以上问题,ANLNet基于Non-Local结构并融入了金字塔采样模块,在不牺牲性能的情况下极大减少计算量和内存负担,得到APNB模块,在充分考虑了长距离依赖的前提下,对APNB做修改,融入了不同层次的特征,得到AFNB,从而在保持性能的同时极大地减少计算量。原创 2021-06-28 21:28:00 · 1689 阅读 · 2 评论 -
论文阅读|目标检测之Dynamic head
paper link:https://arxiv.org/pdf/2106.08322v1.pdf文章提出了一个动态的head架构,通过attention机制将多种不同表示形式(corner,center,anchor box)的目标检测方法统一为一个。通过特征层间的self-attention能够识别不同尺度物体(scale-awareness),空间位置间的self-attention能够帮助识别不同形状物体(spatial-awareness),输出的通道间的self-attention能够用于关原创 2021-06-25 15:39:19 · 3271 阅读 · 6 评论 -
论文阅读|目标检测之CE-FPN,将通道增强运用到上采样,减少信息丢失,同时添加了通道注意力机制
CE-FPN: Enhancing Channel Information forObject Detection。受sub-pixel convolution的启发,提出了一种既实现Channel增强又实现上采样的sub-pixel skip fusion方法。它代替了原来的卷积和线性上采样,减少了由于Channel Reduction而造成的信息丢失。然后,然后本文还提出了一种sub-pixel context enhancement模块来提取更多的特征表示,原创 2021-04-29 16:50:49 · 4985 阅读 · 0 评论 -
论文阅读|目标检测之PSS:更简单有效的End-to-End检测
我们提出了一个更简单和更有效的E2E检测框架,仅需要对FCOS、ATSS进行简单的修改,就能移除NMS,并且达到和超过ATSS、FCOS的baseline。因为我们保留了原始detector,所以模型训练完成后,还可以继续选择使用NMS的结果,而去除NMS的pipeline使得我们模型更加容易部署。我们希望我们的工作能够带给大家一些关于End-to-End检测的新的启发。原创 2021-04-29 16:02:35 · 496 阅读 · 0 评论 -
论文阅读|目标检测之PAA,将标签分配问题转为最大似然估计问题
文章提出一种新颖的在训练过程中随着模型参数变化而自适应标签分配算法——probabilistic anchor assignment (PAA),PAA将标签分配问题转化成了最大似然估计问题,即求一个使得评估标准下的预测框得分最大模型参数,在这个优化的过程中,随着参数的变化,标签分配也会变化。而且PAA算法该算法在标签分配、优化时的损失函数计算以及测试时的NMS后处理中对于边框质量都采用了一个统一的评估标准(为此加了一个只有一个卷积层的head分支用于预测每个预测框和对应GT的IoU),即同时评估了分类得原创 2021-04-26 22:22:13 · 1558 阅读 · 1 评论 -
detectron2学习|以CenterNet2的训练流程为例分析
本文为detectron2的学习笔记,具体以CenterNet2为例来分析。一般而言,训练时可以使用detectron2自带的tools/train_net.py中的训练流程来训练,也可以自己自定义一个train_net.py按照自己想要到pipeline来训练,这里的CenterNet2就是自己自定义了一个train_net.py,但是过程其实和detectron2自带的大同小异。原创 2021-04-26 21:44:53 · 2169 阅读 · 3 评论 -
论文阅读|目标检测之基于OTA,以最佳传输优化来实现新的基于CNN的一对多标签分配策略
OTA: Optimal Transport Assignment for Object Detection文章提出一种新的标签分配策略——Optimal Transport Assignment (OTA),该策略将gt和bg的标签分配给anchor的过程转变成一个最优化的问题,使用SinkhornIter迭代求解得到最小的分配代价矩阵c,解码该分配代价矩阵c后得到最佳分配方案,然后剩余工作(求总loss,反向传播等)即可和FCOS等一样进行。原创 2021-04-25 17:45:06 · 6103 阅读 · 3 评论 -
论文阅读|CenterNet 2, Probabilistic two-stage detection概率二阶段目标检测
Probabilistic two-stage detection。我们设计了一个两阶段目标检测的概率性解释,这种解释激发了我们使用一个强一阶段检测器来学校目标似然估计,而不是像RPN那样最大化召回。这些似然随后和第二阶段的分类得分结合,为最终的检测产生原则性概率得分。这种组合的概率两阶段检测器比起其组成部分(一阶段检测器、两阶段检测器)更快、更好。我们的工作为集成一阶段、两阶段检测器以达到速度和精度齐飞铺平了道路。原创 2021-04-21 09:37:26 · 1499 阅读 · 0 评论 -
论文阅读|YOLOF,丢弃FPN,只需要一个特征图来做目标检测
本文对单阶段目标检测中的FPN进行了重思考并指出**FPN的成功之处在于它对目标检测优化问题的分而治之解决思路而非多尺度特征融合**。从优化的角度出发,作者引入了另一种方式替换复杂的特征金字塔来解决该优化问题:从而可以**仅仅采用一级特征进行检测**。基于所提简单而有效的解决方案,作者提出了YOLOF(You Only Look One-level Feature)。原创 2021-03-24 19:56:29 · 483 阅读 · 0 评论 -
论文阅读|图像分类网络RepVGG,沿用VGG风格,简单强大,精度和速度上取得更好权衡。
论文提出RepVGG,它仅由3×3卷积和ReLU组成,非常适用于GPU或者专用于推断的芯片。在结构化再参数方法的作用下,该简单的卷积网络在ImageNet上的top-1准确率超过了80%,并且相比SOTA模型,在精度和速度上取得更好权衡。原创 2021-03-04 21:18:51 · 1568 阅读 · 1 评论 -
论文阅读|目标检测之隐式的求解特征金字塔i-FPN
i-FPN提出了新的方式来计算得到一个最优的特征金字塔,然后送入检测头做分类和预测。原创 2021-02-26 16:49:45 · 831 阅读 · 0 评论 -
论文阅读|训练过程中动态改变训练方案的Dynamic R-CNN
二阶段的目标检测器,提出在训练的迭代过程中动态的改变分类器的标签分配标准(IoU阈值)和回归损失函数的形式(SmoothL1 Loss),不引入额外代价的前提下提高了精度。原创 2021-02-23 20:25:41 · 549 阅读 · 0 评论 -
论文阅读|目标检测之指出anchor-free和anchor-based本质区别的ATSS
文字指出anchor-based和anchor-free检测器的本质区别是正负样本的选择方式,为此提出了根据物体特征自适应的选择正样本的ATSS,该方法cost-free。原创 2021-01-23 21:38:47 · 1314 阅读 · 0 评论 -
论文阅读|端到端的一阶段目标检测器OneNet
OneNet是一个端到端的一阶段目标检测器,在给样本分配正负样本时加入了分类代价的考虑,消除了NMS等后处理,使得最终输出时一个真实物体对应一个预测框。原创 2021-01-21 12:49:25 · 553 阅读 · 0 评论 -
mmdetection源码分析,以FCOS训练流程为例
本文以mmdetection 的训练流程为主线,详细分析了mmdetction 的运作机制。原创 2021-01-18 21:07:50 · 2564 阅读 · 0 评论 -
COCO数据集介绍
有关COCO2017数据集的详细介绍,包括数据格式,数据集大小,COCOapi等原创 2021-01-13 17:57:08 · 10651 阅读 · 0 评论 -
目标检测|新的目标表示方法RepPoints
这是2019ICCV上的一篇关于目标检测表示方法的论文,提出了一种更加精准高效的表示方法RepPoints。原创 2021-01-12 21:30:47 · 1004 阅读 · 2 评论 -
论文阅读|新的目标检测思路之DETR
DETR一种将NLP领域的transformers应用到CV中的全新目标检测方法,或开启了cv领域的新篇章。原创 2021-01-06 17:43:08 · 1242 阅读 · 0 评论 -
论文阅读|一阶段的目标检测器EfficientDet
本文主要是阅读基于anchor的一阶段目标检测器EfficientDet原论文,然后大概梳理改检测器的基本思想。原创 2020-12-31 17:57:31 · 625 阅读 · 0 评论 -
论文阅读|一阶段的目标检测器YOLOv4
YOLOv4的详细解读原创 2020-12-30 12:54:07 · 342 阅读 · 0 评论 -
论文阅读|FCOS
这是一种anchor free的点检测。论文提出了一种的新的Anchor-Free目标检测方法,将特征图上的点作为训练样本回归边界框。同时提出center-ness滤除远离目标中心的框。原创 2020-12-18 00:39:05 · 331 阅读 · 3 评论 -
论文阅读|Cascade R-CNN
论文发表于2018的CVPR上,Cascade R-CNN是一个多阶段的检测器,通过设置不同IoU训练得到若干检测器,然后再将一个检测器的输出作为下一个检测器的输入实现级联检测,从而优化检测结果。原创 2020-12-16 23:31:49 · 307 阅读 · 0 评论 -
通用目标检测基准数据集及其评价指标介绍|Detection Benchmarks
目标检测数据集及评价指标介绍原创 2020-12-06 16:47:27 · 3808 阅读 · 0 评论 -
目标检测数据集PASCAL VOC笔记
PASCAL VOC 数据集的应用领域有Object Classification 、Object Detection、Object Segmentation、Human Layout、Action Classification等,它的常用版本为2007年和2012年的,PASCAL VOC 2007 和 2012 数据集组织结构一致,内容没有重复,共有20个不同类别的物体。下载PASCAL VOC的数据集可以通过这个镜像网站下载,速度很快。打开后它的界面如下,分为2012和2007年的,每一年的分原创 2020-12-05 16:40:38 · 398 阅读 · 0 评论 -
Deformable Convolutional Networks笔记
文章详细讲解了DCN的两个模块deformable convolution和deformable RoI pooling,并且介绍了deconv,dilated conv,pooling/downsampling,upsampling之间的联系与区别。原创 2020-11-29 13:34:30 · 479 阅读 · 0 评论 -
CenterNet论文详细解析Objects as Points
一、论文相关信息 1.论文题目:Objects as Points 2.发表时间:2019 3.文献地址:https://arxiv.org/pdf/1904.07850.pdf4.论文作者: Xingyi Zhou Dequan Wang Philipp Krahenb 5.论文源码:https://github.com/xingyizhou/CenterNet二、论文详情CenterNet以bounding box 的中心来表征目标,其它的属性如2d检测中的宽和高、3d检测中的深度原创 2020-11-26 22:17:49 · 730 阅读 · 1 评论 -
CornerNet论文详解CornerNet: Detecting Objects as Paired Keypoints
一、论文相关信息 1.论文题目:CornerNet: Detecting Objects as Paired Keypoints 2.发表时间:2018 3.文献地址:https://openaccess.thecvf.com/content_ECCV_2018/papers/Hei_Law_CornerNet_Detecting_Objects_ECCV_2018_paper.pdf4.论文作者: Hei Law · Jia Deng 5.论文源码:https://github.com/原创 2020-11-25 18:07:46 · 3382 阅读 · 1 评论 -
RetinaNet论文详解Focal Loss for Dense Object Detection
一、论文相关信息 1.论文题目:Focal Loss for Dense Object Detection 2.发表时间:2017 3.文献地址:https://arxiv.org/pdf/1708.02002.pdf4.论文作者: Tsung-Yi Lin, Kaiming He 5.论文源码:code:https://github.com/facebookresearch/Detectron.二、论文详情背景与简介目前最高的检测器是以R-CNN开启的two-stage检测方法,这原创 2020-11-24 18:18:11 · 630 阅读 · 0 评论 -
R-FCN论文详解笔记
一、论文相关信息时间:2016年题目:R-FCN: Object Detection via Region-based Fully Convolutional Networkspaper地址:https://link.zhihu.com/?target=https://arxiv.org/abs/1605.06409code: https://github.com/daijifeng001/r-fcn.作者:Jifeng Dai 等二、论文详情背景与介绍之前的region-based 目标检原创 2020-11-23 21:00:18 · 477 阅读 · 1 评论 -
使用labelimg制作自己的图片数据集
环境:需要安装了anaconda首先使用anaconda创建一个专门用于标记的虚拟环境:conda create -n label python=3.6激活环境:conda activate label 或activate label然后再这个虚拟环境中安装labelimg,pip install labelimg安装完成后,输入labelimg,进入labelimg操作界面:然后这里推荐点击opendir去修改自己要做标记的原始图片所在的目录,然后就会把该目录下的图片都加载进来。然后的电机原创 2020-11-21 08:01:55 · 604 阅读 · 0 评论 -
Faster R-CNN转载
https://blog.csdn.net/weixin_43198141/article/details/90178512?utm_medium=distribute.pc_relevant.none-task-blog-title-6&spm=1001.2101.3001.4242这篇写的不错,当时没做笔记。这个也挺好:https://blog.csdn.net/WoPawn/article/details/52223282...转载 2020-11-07 11:08:12 · 76 阅读 · 0 评论 -
SSD paper note
SSD: Single Shot MultiBox Detectorauthor:Wei Liu1, Dragomir Anguelov2, Dumitru Erhan3, Christian Szegedy3,Scott Reed4, Cheng-Yang Fu1, Alexander C. Berg1Abstract :SSD has the following features:discretizes the output space of bounding boxes into a se原创 2020-11-06 18:02:35 · 167 阅读 · 0 评论 -
YOLOv3笔记
一、论文相关信息 1.论文题目:YOLOv3: An Incremental Improvement 2.发表时间:2018 3.文献地址:https://arxiv.org/abs/1804.02767 4.论文源码: YOLO官网:https://pjreddie.com/darknet/yolo/二、论文背景与简介作者再YOLOv2的基础上做了改进,相比于YOLOv2,YOLOv3主要有下面几个改动:YOLOv3的主干网络又变了,设计了基础网络结构Darknet-53;YOLO转载 2020-10-30 16:21:16 · 261 阅读 · 0 评论 -
YOLOv1论文解析
一、论文相关信息 1.论文题目:You Only Look Once:Unified, Real-Time Object Detection 2.发表时间:2015 3.文献地址:https://arxiv.org/abs/1506.02640 4.论文源码: YOLO官网:https://pjreddie.com/darknet/yolo/二、论文背景与简介在YOLO之前的目标检测工作都是从分类器出发来作检测(为每个物体设置一个分类器并估计其位置与大小)这种方式不仅复杂,而且速度很慢,原创 2020-10-27 17:19:53 · 359 阅读 · 0 评论