卷积普遍会遇到一个问题：原始图像经过卷积神经网络后下采样一定倍数后，有一些小像素物体在特征图上会消失，导致无法被检测出。
上图(a)是处理这类问题最常用的方法，即特征金字塔，这种方法在传统的手动设计特征的方法中非常常用，例如DPM方法使用了接近10种不同的尺度获得了不错的效果。
上图(b)是在CNN提出之后出现的，因为神经网络模型对物体尺度本
转载
2024-07-18 10:58:54
83阅读
重磅干货，第一时间送达1 前言本文接着上一讲对CornerNet的网络结构和损失函数的解析,链接如下https://zhuanlan.zhihu.com/p/188587434https://zhuanlan.zhihu.com/p/195517472本文来聊一聊Anchor-Free领域耳熟能详的CenterNet。原论文名为《Objects as Points》，有没有觉得这种简单的名字特别霸
转载
2024-03-29 19:07:38
102阅读
论文链接目录摘要1 目标检测的主要方法1.1 Viola Jones Detector1.2 HOG Detector 1.3 Deformable Part-based Model(DPM)1.4 RCNN1.5 SPPNet1.6 Fast RCNN1.7 Faster RCNN1.8 特征金字塔网络1.9 YOLO1.10 SSD1.11 RetinaNet2
1. NMS非极大值抑制（Non-Maximum suppression，NMS）是目标检测算法中一个必要的后处理过程，目的是消除同一个物体上的冗余预测框。NMS算法的主要思想是：先对网络预测出的所有边界框按照分数由高到低排序，然后选取分数最高的预测框作为target，分别计算target与其余剩下的预测框的重叠程度（用IoU来衡量），若重叠程度大于某一预先设定的阈值，则认为该预测框与target
转载
2024-05-13 08:13:34
91阅读
DSOD: Learning Deeply Supervised Object Detectors from Scratch目录 DSOD Learning Deeply Supervised Object Detectors from Scratch目录文章摘要文章背景相关工作Object DetectionLearning Deep Models from ScratchDSOD详述整体结构设
转载
2024-03-07 12:20:54
88阅读
导语 物体检测一般使用**map**来评价目标检测的检测效果，如检测效果不好时，需深入了解哪些数据检测效果不好，如何调试模型的性能以及如何优化它获得更好的性能。这时一个好的开源库 TIDE01 目标检测评价标准map 在目标检测中，评价模型好坏主要有两个关键方面：速度和准确性，一般的模型会在两者之间权衡，这里我们主要专注于分析模型的准确性。 目标检测预测一张图片中对象的类别、位
文章目录前文阅读一、YOLO v1 存在的问题二、YOLO v2 算法的改进2.1 引入
→
\rightarrow
NMS非最大值抑制算法，诞生至少50年了。在经典的两阶段目标检测算法中，为了提高对于目标的召回率，在anchor阶段会生成密密麻麻的anchor框。所以在后处理的时候，会存在着很多冗余框对应着同一个目标。因此NMS就是后处理中去除冗余框的必不可少的步骤。NMS算法的具体流程： 输入 boxes，scores， iou_thresholdstep-1：将所有检出的output_bbox按cls sc
转载
2024-08-14 16:59:40
52阅读
NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。先理解一下iou计算方式： ＩＯＵ可以点击：其次才是理论部分：在物体检测中NMS（Non-maximum suppression）非极大抑制应用十分广泛，其目的是为了消除多余的框，找到最佳的物体检测的位置。在RCNN系列算法中，会从一张图片中找出很多
转载
2024-04-03 08:50:28
0阅读
非极大值抑制（Non-Maximum Suppression，NMS），顾名思义就是抑制不是极大值的元素。它在目标检测中起着非常关键的作用。 目标检测一般分为两个过程：训练过程+检测（推理）过程。 在训练过程中，目标检测算法会根据给定的ground truth调整深度学习网络参数来拟合数据集的目
转载
2024-05-23 14:32:06
130阅读
个人学习笔记见解，如有错误，望指出。导读在做Map计算前需要：预测框（预测的结果）与真实框（真实标注的label） ，预测框的格式为["Class_name",conf,x1,y2,x2,y2]，真实框其格式为["Class_name",x1,y1,x2,y2]。Class_name是该预测框的种类，conf是置信度，x1,y1,x2,y2是框对应图片的左上角、右
转载
2024-09-13 20:39:07
54阅读
目录：目标检测的评价指标一、正样本与负样本二、真正(TP)、假正(FP)、真负(TN)、假负(FN)（1）正确的正向预测（True Positive，TP）：正样本被正确检测的数量（2）错误的正向预测（False Positive，FP）：（3）错误的负向预测（False Negative，FN）：（4）正确的负向预测（True Negative，TN）：三、交并比（IoU）四、准确率（Prec
转载
2024-03-23 15:24:05
152阅读
今天说的是《Soft Anchor-Point Object Detection》，其也是最近关于anchor free的目标检测的论文，作者来自于CMU，一作同样也是FSAF(2019 CVPR)的作者。该论文的出发点还是在样本选择和FPN特征选择层面。 背景Anchor free是目标检测领域的一个研究热点，其主要可以分为anchor-point和keypoint两类。后者在往往在
转载
2024-08-22 14:09:41
61阅读
1. IOU交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth
原创
2021-12-15 18:11:26
1386阅读
FCOSFCOS是一阶段anchor free目标检测算法，其主要的卖点为无锚。通过回归特征图上每个位置距离目标框的上下左右距离来实现目标检测。如果一个位置落在了多个目标框内，文中的方法是通过多尺度+回归幅度限制的方法来缓解这个问题。为了解决目标框数量过多的问题，文中提出了center-ness的方法，为每个位置学习一个center-ness分数，最后乘以预测类别分数作为非极大抑制的输入参数来解决
转载
2024-02-21 14:56:16
37阅读
R-CNN系列的目标检测算法，对以后的目标检测算法有着深远的影响，因此非常有必要了解R-CNN系列算法的基本思想。首先要了解的就是R-CNN目标检测算法，该算法的基本流程如下： 1、对输入图片，采用Selec
转载
2024-04-16 10:00:13
34阅读
nms算法就是对同一个anhor 的box 进行基于阈值的去重# python3import numpy as np def py_nms(dets, thresh):
原创
2023-01-13 09:13:12
180阅读
目标检测中的Anchor Free方法 3. 基于Segmentation的方法FCOS先来上一张FCOS的整体框架图： 按照FCOS的说法，它是把每个location都当做一个样本，如下图所示，可以看到，最左面的橙色点在棒球运动员的box内，这个点的gt实际上是该点到box的四个边缘的距离以及box的obj类别，所以最后预测出来的output是HxWxC以及HxWx4，C和4分别代表每
转载
2024-08-15 18:34:43
28阅读
最近关于anchor free目标检测的论文，作者来自于CMU。该论文的出发点还是在样本选择和FPN特征选择层面。
原创
2022-10-10 13:14:35
183阅读
CenterNet前言CenterNet相关工作技术点关键点关键点数据标签损失函数中心点预测目标中心的偏置损失目标大小的损失复原阶段代码实现数据加载BackboneLoss Function总结参考 前言之前写了几篇关于目标检测的博客，目标检测综述，目标检测Yolo系列和目标检测YOLO算法代码实现。里面都详细介绍了Yolo系列的算法以及代码实现。在《目标检测综述》博客中简单提到了一些ancho
转载
2024-03-06 12:25:29
69阅读
