![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
物体识别
文章平均质量分 85
AI强仔
人工智能爱好者、机器人爱好者
展开
-
WBF(Weighted boxes fusion)-模型融合与NMS、soft-NMS
WBF在融合多个模型的结果上效果好于NMS、soft-NMS,但如果只是处理单个模型,其效果没有NMS、soft-NMS的好,是因为NMS、soft-NMS在处理很多低可信度的box过滤上效果好吧翻译 2022-03-20 11:31:17 · 3168 阅读 · 0 评论 -
物体识别网络汇总
1 R-CNN:结合了region proposal和卷积网络,使region proposal方法流行起来;2 HCP-2014HCP(hypothesis-CNN-Pooling).采用BING生成proposal。3 SSPnet提升了R-CNN。引入了空间金字塔池化层。4 Fast R-CNN扩展了SSPnet,端到端训练,最小化一个损失(confidence 和bounding box 回归)。RPN产生region proposals。后面提出了mask R-CNN。5 Ove原创 2020-09-22 17:59:06 · 487 阅读 · 0 评论 -
SSD物体识别-论文笔记
1 简介本文根据2016年《SSD: Single Shot MultiBox Detector》翻译总结。SSD比YOLO更快、更准确;准确率也可以达到faster R-CNN的水平。2 SSD2.1 模型多尺度特征:如上图一堆extra feature layer层,他们的大小逐步减小,支持多尺度预测。卷积预测:使用卷积滤波,上面的每个特征层可以生成一个固定检测预测的集合。Bounding box offset output 是相对于一个默认的box 位置衡量的。默认boxes、纵横比翻译 2020-09-22 17:06:22 · 263 阅读 · 1 评论 -
YOLOv2、YOLO9000论文笔记
1. 简介:从2016年论文《YOLO9000:Better, Faster, Stronger》翻译总结的。物体实时检测,可以检测9000多种物体。介绍了YOLOv2、YOLO9000。YOLOv2在YOLO基础上进行了改进。YOLO9000联合优化detection和classification,可以检测9000种物体分类,使用了wordtree 来组合不同来源的数据,比如ImageNet和COCO。文中主要是和fast r-cnn 、SSD对比。YOLO是单步检测,在准确率和速度方面权衡。2.翻译 2020-09-22 10:07:14 · 225 阅读 · 0 评论 -
论文笔记R-CNN
1 介绍本文基于《Rich feature hierarchies for accurate object detection and semantic segmentation》翻译总结,该文论述了R-CNN。最近10年,关于各种不同的视觉识别任务主要是基于SIFT和HOG。SIFT和HOG是块方向直方图。在R-CNN之前,物体识别停滞了几年。我们是结合了region proposals和CNNs,故取名R-CNN:Regions with CNN features。我们的方法有两个关键点:(1)将高翻译 2020-05-27 17:53:03 · 180 阅读 · 0 评论