2017年07月_yj_isee

原创论文阅读-《Densely Connected Convolutional Networks》

CVPR 2017 Best PaperMotivation:最近的一些卷积神经网络都证实了在网络当中加入short connection能够让网络更深、更准确、更高效，另一方面，最近的一些resnet的变种往往可以用更浅层的模型达到和深层的模型差不多的性能，这些充分说明了现有的卷积神经网络学习得到的很多特征都是冗余的。作者的想法是充分利用skip connection，设计一个dense co

2017-07-23 23:21:49 4255

原创论文阅读-《Semantic Segmentation with Reverse Attention》

BMVC 2017 oral code: https://drive.google.com/drive/folders/0By2w_A-aM8Rzbllnc3JCQjhHYnM1.Motivation作者这篇文章的主要目的是为了提高semantic segmentation的网络对于confusion area的预测能力。所谓的confusion area，指的是最终预测的score map上熵值

2017-07-22 15:02:38 3248 2

原创 tensorflow object detection API安装实例

写于2017/7/21 tensorflow object detection API是google在tensorflow的平台上实现的当下主流的目标检测框架，下面记录一下自己的使用实例网址：https://github.com/tensorflow/models/tree/master/object_detection1）安装依赖项安装需要的依赖在API的主页上已经说明了，除了需要tenso

2017-07-21 14:21:05 7646 1

原创论文阅读-《Deformable Part-based Fully Convolutional Network for Object Detection》

BMVC 2017 OralAbstract文章指出当前的object detector大都用正框来表征一个object，尽管大多数的object都是non-rectangular的。作者提出的模型能够通过deformable parts来表述一个object。这样的话得到的特征对于物体的形变更加具有鲁棒性，并且能够part的位置信息能够提高目标定位的准确性。Contribution:1.提出了de

2017-07-20 19:33:01 2285

原创 ubuntu安装scipy

Ubuntu下一直用Pycharm作为python的IDE，但是最近使用scipy的时候发现Pycharm不能直接在Project Interpreter里面安装scipy，于是直接在命令行里安装。主要参考如下博客： http://blog.csdn.net/lingfeng892/article/details/504255471.安装scipy所依赖的库直接在命令行里用pip安装scipy

2017-07-16 15:37:22 5877

原创论文阅读-《RON-Reverse Connection with Objectness Prior Networks for Object Detection》

CVPR 2017 孔涛..HyperNet作者0.Motivation结合region-based的目标检测方法和region-free的目标检测方法。主要关注两个问题： 1）多尺度目标定位 2）负样本挖掘1.Contribution1）对于多尺度定位，作者提出了reverse connection，类似FPN，增强了low level feature map的语义信息，提高了小目标检测

2017-07-15 09:49:33 5383

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

Google Research0.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 clas

2017-07-13 14:02:45 3986

原创论文阅读《Rethinking Atrous Convolution for Semantic Image Segmentation》

Deeplab v31.Contribution:这篇论文和deeplab v2相比，contribution不多，主要是在原来的ASPP模块里面加入了bn，同时引入加入了global context来提高ASPP模块的性能。2.Related work文章主要还是专注于图像多尺度信息的提取，作者总结了目前流行的4中多尺度信息提取的方法，如下图所示：第一种用图像金字塔作为输入；第二种采用

2017-07-12 16:44:10 2504

yj_isee的博客