论文阅读《DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling》

最新推荐文章于 2022-09-16 09:12:52 发布
最新推荐文章于 2022-09-16 09:12:52 发布
阅读量4.9k 收藏 1
点赞数 4
分类专栏： Computer Vision 计算机视觉论文研读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yaoqi_isee/article/details/70184686
版权
DeNet是针对目标检测问题的一种高效解决方案，它摒弃了anchor box，转而使用定向稀疏采样(Directed Sparse Sampling, DSS)策略。通过预测特征图上每个点属于四个角的概率，DeNet能快速识别高概率的边界框进行分类和回归。实验证明，DeNet在保持高检测精度的同时，提供了实时的检测速度。" 124700570,9442992,理解Scratch中的IPO模式,"['编程基础', '儿童编程', 'Scratch教程', 'IPO过程', '数据处理']
摘要由CSDN通过智能技术生成

arxiv 30/3/2017

Abstract

作者在这篇文章当中把目标检测问题formulate成估计一个非常大但是很稀疏的概率分布，变量就是所有可能的bounding box，一张输入图像对应的bounding box空间很大，概率P就是bounding box属于各个类别的概率。因为只有极少一部分的bounding box里面是有物体的，因此这个P是稀疏的。只在一些特定的bounding box上有值。因为样本空间很大，要对每一个可能的bounding box去预测这么一个概率分布的话是不可能的。因此，在前面的工作中，比如RCNN系列或者yolo，利用anchor box的方法对这个样本空间进行了下采样。作者这篇论文提出了一种新的下采样的方法。

DSS_1
DeNet的整体框图，前面的base cnn采用的是resnet34/101，后面接出两条分支，其中一条分支做corner detect，在corner detection map上去寻找概率大的bounding box,然后把这些bounding box输入后面的网络去做classification和regression

Contribution

引入了一种新的region proposal的方法，检测精度highly competetive，检测速度实时

Directed Sparse Sampling(DSS)

首先回顾一下faster rcnn中rpn的工作原理：
利用最后一层feature map,引入anchor box的机理&#

最低0.47元/天 解锁文章
yj_isee
关注
专栏目录
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8401
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 6034
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
Robust Real-time Object Detection 论文 整理ppt 及一篇相关中文论文
10-28
Robust Real-time Object Detection 论文& 整理ppt &及一篇相关中文论文 关于利用opencv训练分类器的原理的~~~
【转】目标检测-- DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling
lanyuxuan100的博客
12-22 1037
转自：http://blog.csdn.net/zhangjunhit/article/details/77847873 DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling ICCV2017 An easily extendedTheanobased code： https://githu
目标检测-- DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling
AI小作坊 的博客
09-05 5410
DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling ICCV2017 An easily extendedTheanobased code： https://github.com/lachlants/denet本文针对候选区域提取这个步骤进行加速： 使用角点提取来初步过滤大部分候选区域我们提出的
论文阅读笔记六十三：DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling（CVPR2017）...
weixin_34366546的博客
05-29 324
论文原址：https://arxiv.org/abs/1703.10295 github:https://github.com/lachlants/denet 摘要 本文重新定义了目标检测，将其定义为用于评估一个规模较大但较为稀疏的的边界框依赖性的概率分布。随后，作者确定了一个评价稀疏分布的机制，Directed Sparse Sampling并将其应用至end-to...
Scalable Object Detection using Deep Neural Networks
weixin_36670529的博客
09-16 547
一、摘要 深度卷积神经网络最近在一系列图像识别基准测试中取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测一个边界框和图像中每个目标类别的置信度得分。这样的模型捕获目标周围的整个图像上下文，但是如果不天真地复制每个实例的输出数量，就不能处理图像中相同目标的多个实例。在这项工作中，我们提出了一个显著性激发的神经网络模型用...
目标检测(Object Detection)算法合集（持续更新ing）
阿木寺的博客
07-14 7315
object-detection This is a list of awesome articles about object detection. R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 YOLT SSD DSSD FSSD ESSD MDSSD Pel...
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
Scalable Object Detection using Deep Neural Networks笔记
fangfang的专栏
12-15 2928
解决的问题： 将深度网络应用到多object，并且object未知的情况。 整体思路： 用CNN（DNN（AlexNet））预测一系列的bounding box，每一个bounding box都会有对应的一个分数，这个分数就是box里有没有物体的置信度。 创新点： 本文主打的就是scalable，可扩展性，具体是指物体类别增多的情况下，bounding b
DE5-Net_Install.exe
12-09
DE5-Net_Install.exe是资料加载软件，相关的例程会自动安装，双击运行即可使用，主要关闭杀毒软件
Scalable Object Detection using Deep Neural Networks 阅读笔记
weixin_43164512的博客
10-10 171
Scalable Object Detection using Deep Neural Networks 基于深度神经网络的可伸缩目标检测 14年的文章 是一个用于检测的显著性启发式神经网络模型， 分为 “定位”+“识别”两步 解决 将深度网络应用到多object，并且object未知的情况 穷举候选区导致计算量过大 过程 在图像上生成候选区域 本文重点 检测算法DeepMultiBox 一次预测多个边界框 让CNN输出一定数量的bounding boxes(每个box用4个参数表示,分别是.
论文提要“Scalable Object Detection using Deep Neural Networks”
cv_family_z的博客
06-11 3872
论文提要“Scalable Object Detection using Deep Neural Networks”与之前主流检测方法DPM不同，论文提出了一种名为“DeepMultiBox”的方法产生比较少量的目标候选框，这些候选框是使用DNN（Deep Neural Network）生成的与目标类别无关的区域。 1.主要贡献： 1）将目标检测定义为几个bounding bo
论文笔记9：HSI-DeNet: Hyperspectral Image Restoration via Convolutional Neural Network
Hermite Lee的博客
01-13 1472
我们基于CNN的HSI去噪方法相对于以前的方法有三个优点。首先，通过直接学习每层中的滤波器而不破坏光谱空间结构，所提出的HSI-DeNet可以被视为基于张量的方法。第二，HSI-DeNet可以同时适应HSI中的各种噪声。此外，我们的方法通过稍微修改第一层和最后一层中的过滤器的通道，对于单个图像和多个图像都是灵活的。最后但同样重要的是，我们的方法在测试阶段非常快，这使得它在实际应用中更加实用。所提出的HSI-DeNet在几个HSI上进行了广泛的评估，在速度和性能方面都优于最先进的HSI-DeNet。
Reading Note: DetNet: A Backbone network for Object Detection
joshua_1988
05-01 2540
TITLE: DetNet: A Backbone network for Object Detection AUTHOR: Xuepeng Shi, Shiguang Shan, Meina Kan, Shuzhe Wu, Xilin Chen ASSOCIATION: Tsinghua University, Face++ FROM: arXiv:1804.06215 CONTRI...
Deconvnet论文总结思考
Evabook的博客
02-19 695
Adaptive Deconvolutional Networks for Mid and High Level Feature Learning（deconvnet）论文简述论文要点提出问题解决方案模型优势网络结构反卷积池化损失函数思考 论文简述 本文主要讲述作者通过卷积稀疏编码层和最大池化层交替的层次模型，确保每层都能重构输入，实现了对各种特征结构（如低级边缘、中级边缘连接以及目标的部分高级信...
Object Detection论文清单
lien0906的专栏
08-23 4693
Jump to... LeaderboardPapers R-CNNFast R-CNNFaster R-CNNMultiBoxSPP-NetDeepID-NetNoCDeepBoxMR-CNNYOLOYOLOv2AttentionNetDenseBoxSSDDSSDInside-Outside Net (ION)G-CNNHyperNetMultiPathNetCRAFTOHEM
目标识别检测的所有算法
请叫我小皇帝 的博客
12-01 1万+
数据总览 Detection Results: VOC2012 intro: Competition “comp4” (train on additional data) homepage: http://host.robots.ox.ac.uk:8080/leaderboard/displaylb.php?challengeid=11&compid=4 Papers Deep N
深度学习 目标检测 算法大全列表
datayx的文章
12-10 2674
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayxThis is a list of awesome articles about ob...
ISSCC2021: Scalable In-Memory Computing for Deep Neural Network Processors
论文《基于可扩展内存计算的可编程神经网络推理加速器》由Hongyang Jia、Murat Ozatay、Yinqi Tang、Hossein Valavi、Rakshit Pathak、Jinseok Lee和Naveen Verma等人撰写，他们都来自普林斯顿大学。作者们在报告中...
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值