论文阅读-《Speed/accuracy trade-offs for modern convolutional object detectors》

最新推荐文章于 2019-01-07 16:18:05 发布
最新推荐文章于 2019-01-07 16:18:05 发布
阅读量4k 收藏 7
点赞数 2
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/75051781
版权
本文对比了Faster R-CNN、R-FCN和SSD三类目标检测器在速度与准确性之间的权衡。研究发现，减少Faster R-CNN的提案数量可显著提高速度，对精度影响不大；而SSD的性能受特征提取器影响较小。实验还涉及了特征提取器的选择、提案数量、输出步长设置等多个方面，提供了详尽的基准测试结果。
摘要由CSDN通过智能技术生成

Google Research
开源code/model地址：https://github.com/tensorflow/models/tree/master/object_detection

0.abstract

本文主要对主流的三类object detector进行了speed-accuracy trade-off上的比较。
作者考虑三类”meta-architectures”：faster rcnn 、r-fcn以及ssd
faster rcnn和r-fcn是region-based detector，不同的是，faste rcnn里面box classifier用的是强分类器，而r-fcn里面的box classifier相对可以看成弱分类器的组合。
ssd（这里包括了yolo等）是region-free detector

作者主要探讨了不同的feature extractor、image resolution、以及对于faster rcnn和r-fcn来说，number of proposals对检测器性能（精度、速度、内存使用）的影响

1.Motivation & contribution

目前主流的目标检测框架缺乏相互之间各方面的对比，因此作者在tensorflow上将各个主流的检测算法都实现了一遍，用来对比不同检测算法，当然这里对比的都是各个算法的single model，也就是说不使用ensemble。

作者主要的两点发现是：

最低0.47元/天 解锁文章
yj_isee
关注
专栏目录
ssd目标检测整理
jacke121的专栏
08-18 5139
ssd目标检测整理
论文阅读-《Deformable Convolutional Network》
yj_isee的博客
03-25 1万+
arxiv 3/17/20171.Abstraction文章一开始就说到：卷积神经网络因为卷积核的几何形状是固定的，对几何变换的模拟能力受限。因此，本文中作者引入了两个新的module，来增强网络对于几何变换的建模能力，分别是deformable convolution和deformable roipooling. 基本的思想就是用带偏移的采样代替原来的固定位置采样，而且这个偏移量是可以通过学习得到
论文笔记之---Speed and accuracy trade-offs for modern convolutional object detectors
He_is_all的博客
02-22 7129
Abstract 这篇文章主要权衡了三种被称为“元结构”（meta-architectures）的主流detector---Faster R-CNN，R-FCN 和SSD之间的精确率与速度。 Introduction 1.对于从业者来说，选择主流OD（object detector缩写）中的哪一款作为工具是一项比较难的任务，受制于程序运行时间和内存大小，mAP等数据也并不能够完全作为
Speed/accuracy trade-offs for modern convolutional object detectors
qq_29133371的博客
02-23 4589
Speed/accuracytrade-offs for modern convolutional object detectors   1：Accurancy VS time 从上图可以看出SSD，R-FCN在速度上要远远超过Faster R-CNN，但是在精度上Faster R-CNN领先，R-FCN紧随其后。但是Faster R-CNN可以通过设置region propos
[论文笔记]Speed/accuracy trade-offs for modern convolutional object detectors
恰同学少年的博客
12-22 738
论文链接：https://arxiv.org/pdf/1611.10012.pdf这篇论文是由谷歌发表的，主要在速度和准确性两方面来权衡目标检测算法的性能，主要比较了三个经典的目标检测算法（Faster-rcnn, SSD, R-FCN），这三种算法分别使用六种特征提取器来实现检测( VGG-16, Resnet-101, Inception v2, Inception v3, Incepti
目标检测“Speed/accuracy trade-offs for modern convolutional object detectors”
cv_family_z的博客
12-06 2732
使用了几种成熟的目标检测结构，Faster-RCNN，R-FCN，SSD，与不同的特征提取网络组合，如VGG16,Resnet-101,Inception V2,Inception V3,Inception Resnet,MobileNet。探讨检测率与检测时间之间的关系。不同的组合得到的结果 不同的组合对不同大小目标的结果 Faster-RCNN，R-FCN的组合降低proposal数目的结果
目标检测网络选择 （Faster R-CNN，SSD，R-FC） Speed/accuracy trade-offs for modern convolutional object detectors
q199502092010的博客
01-07 840
Speed/accuracy trade-offs for modern convolutional object detectors 现代卷积目标检测器的速度/精度折衷 主要内容：如何选择目标检测网络：Faster R-CNN，SSD，R-FCN 论文原网址：https://arxiv.org/abs/1611.10012 翻译部分内容参考:http://tongtianta.site/...
Accident-detection-using-tensorflow
04-03
TensorFlow对象检测API 创建能够在单个图像中定位... "Speed/accuracy trade-offs for modern convolutional object detectors." Huang J, Rathod V, Sun C, Zhu M, Korattikara A, Fathi A, Fischer I, Wojna Z, Son
目标检测 - Tensorflow Object Detection API
热门推荐
跟随技术的脚步-linolzhang的专栏
06-25 3万+
一. 找到最好的工具       “工欲善其事，必先利其器”，如果你想找一个深度学习框架来解决深度学习问题，TensorFlow 就是你的不二之选，究其原因，也不必过多解释，看过其优雅的代码架构和工程化实现之后，相信这个问题不会有人再提，这绝非 Caffe an so on 所能比拟的。       回到题头 － 目标检测，相信你一定看过这篇 Paper： Speed/accuracy trade
论文阅读: Speed/accuracy trade-offs
JNing
06-07 1919
Introduction Innovation Result Thinking [1] Speed/accuracy trade-offs for modern convolutional object detectors
object_detection API论文Speed/accuracy trade-offs for...的详细中文翻译
王某的博客
06-02 1420
在本文中，我们以一种详尽且公平的方式探索现代检测系统的效率和精确度之间的权衡。虽然（业界）已经对图像分类进行了（一定的）研究（例如，[3]），但是检测模型往往要复杂得多，<mark>我们主要研究singlemodel/single-pass 检测器，也就是说我们的模型不使用【文章后文也提到了这个】合成、multi-crop【可理解为多处裁剪】方法或其他例如水平翻转等等的“技巧”，换句话说，我们只通过一个网络传递一个单
READING NOTE: Speed/accuracy trade-offs for modern convolutional object detectors
joshua_1988
12-02 1955
TITLE: Speed/accuracy trade-offs for modern convolutional object detectors
论文：Speed/accuracy trade-offs for object detectors
xxiaozr的博客
11-29 644
比较主流的目标检测网络，Faster R-CNN , R-FCN , SSDIntroduction:目标检测网络中， mPA。。。 运行时间和占用内存也很重要，好的模型经常依赖于model ensemboing 和 multicrop 方法，这样对于应用来说too slow. 我们会探索现代检测系统 speed/accuracy trade-off。 主要的贡献如下： 1.对现代卷积检
Yolo v2 训练 NAN解决过程
yj_isee的博客
03-23 1万+
主要参考https://zhuanlan.zhihu.com/p/25110930问题描述今天在用yolo训练自己的数据集的时候，一开始训练过程中的loss还很正常地在下降。结果到了几个个batch的地方突然就出现loss = nan的情况。其实到现在自己也没有发现到底是什么导致了nan，但是参考上面这篇文章，至少暂时解决了这个问题。解决过程1)首先检查了代码是不是对的。一般出现nan，第一反应是：
tensorflow版本 Faster RCNN训练自己的数据集
yj_isee的博客
02-04 1万+
0.前言 因为我用的是tensorflow的环境，所以Rbg的官方代码我是没有用的，采用的是github上tensorflow实现的faster rcnn，网址为：https://github.com/endernewton/tf-faster-rcnn 这个版本主要也是参考faster rcnn的官网代码写的，和官方版本大同小异，很适合用tf的人。如果github上下不下来，可以下载我自己保
论文阅读-《Relation Networks for Object Detection》
yj_isee的博客
12-02 1万+
MSRA jifeng dai1.abstract:在目标检测领域，model object之间的关系能够提高检测的准确度，但是这种方法在基于深度学习的模型中还没有很好的work。当下主流的目标检测的方法还是对各个物体进行单独的检测，本文提出了一种object relation module，通过引入不同物体之间的外观和集合关系做interaction，实现对物体之间relation的建模。rela
论文阅读-《Learning Deep Features for Discriminative Localization》
yj_isee的博客
03-15 1万+
收录于CVPR2016 关于全连接层不能保持spatial information的理解 相比全连接层，卷积层是一个spatial-operation，能够保持物体的空间信息(translation-variant)。比如一个物体原来在左上角，卷积之后的结果feature-map在左上角的激活值大。如果这个物体移动到右下角，那么卷积之后的feature-map同样会在右下角的激活值比较大。但是对于
论文阅读-《Focal Loss for Dense Object Detection》
yj_isee的博客
08-10 1万+
FAIR. ICCV2017 Oral Kaiming He & RBG1.Motivation一直以来，one-stage detector都以快著称，yolo刚发布的时候表明了是主打速度的，但是这些one-stage detector的精度要比two-stage detector，比如faster rcnn差不少。本文的目的就是为了探讨为什么one-stage detector相比two-sta
提升集成MEMS-IMU/GPS陆地车辆导航精度研究
"Accuracy Enhancement of Integrated MEMS-IMU/GPS Systems for Land Vehicular Navigation Applications" 这篇硕士论文详细探讨了如何通过集成全球定位系统（GPS）与微电子机械系统（MEMS）惯性测量单元（IMU）来...
评论
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