论文: Spiking-YOLO: Spiking Neural Network for Energy-Efficient Object Detection论文地址：http://arxiv.org/abs/1903.06530Introduction 脉冲神经网络(Spiking neural network, SNN)将脉冲神经元作为计算单元，能够模仿人类大脑的信息编码和处理过程。不同于CN
文章目录（一）任务表述（二）主要难题（三）研究进展 （一）任务表述图像理解的三大层次 图像水平的物体分类 通用目标检测 像素水平的物体分割分类（Classification）：是最简单、最基础的图像理解任务 ImageNet是最权威的评测集，每年的ILSVRC催生了大量的优秀深度网络结构，为其他任务提供了基础。在应用领域，人脸、场景的识别等都可以归为分类任务。检测（Detection）：在目标定
转载
2024-04-15 15:10:38
73阅读
论文地址：《YOLOv4: Optimal Speed and Accuracy of Object Detection》 读完论文的感受就像是一篇目标检测tricks综述，疯狂叠buff就完事了。先来论文tricks的截图：Backbones-Neck-Heads的tricks：Activations、bbox回归、数据增强、正则化、归一化、跨域连接的tricks：YOLOv4：&nb
近年来，目标检测的准确率和速度得到了飞速的提升，今天我们就来梳理一下常见的一些算法。目标检测算法大致分为两类：第一类是以RCNN为代表two-stage算法，这类方法第一步先产生目标候选框，第二部对候选框进行分类和回归。 第二类算法是以yolo为代表的one-stage算法，这类方法使用同一个神经网络直接得到目标的类别和位置。这两种方法中经典的算法如下：Two-Stage：R-CNN、Fast R
转载
2023-10-10 14:30:29
128阅读
基于tensorflow的目标检测 迁移学习前言安装TF Object Detection API下载tensorflow\modelsCOCO API安装安装protobuf编译proto文件，产生py文件制作自己的数据集从百度获取需要的图片使用labelImg工具进行标注图片将xml文件转换为csv文件生成TFrecord格式文件训练下载ssd_mobilenet_v2_coco模型编写标签文
转载
2024-05-03 06:35:52
55阅读
大牛讲堂 | 山世光博士：自动驾驶系统中的目标检测技术 本文作者：大牛讲堂 2016-11-03 11:50 导语：中科院计算所山世光博士谈了谈，基于深度学习的物体检测技术的近期进展和未来展望。
雷锋网(公众号：雷锋网)按：作者山世光博士，中科院计算所研究员、博导，主要从事计算机视觉、模式识别、机器学习等相关研究工作。迄今已发表CCF A类论文50余篇，全部论文被Google
一、 引言目标检测近年来已经取得了很重要的进展，主流的目标算法主要分为两种类型：two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，
转载
2024-03-08 23:48:57
108阅读
目标检测是指计算机和软件系统对图像或场景中的目标进行定位和识别的任务。目标检测已广泛应用于人脸检测、车辆检测、人流量统计、网络图像、安防系统和无人驾驶等多个领域。早期目标检测的实现基于经典算法，比如流行的计算机视觉库OpenCV中支持的算法。然而，这些经典算法在不同的条件下无法获得稳定的性能。2012年深度学习的突破性进展和迅速普及，使得R-CNN、Fast-RCNN、Faster-RCNN、Re
转载
2024-01-09 15:01:33
67阅读
文章目录一、目标检测是什么二、RCNN三、SPPnet四、Fast R-CNN五、Faster R-CNN六、R-FCN七、YOLO v1八、YOLO v2九、YOLO v3 一、目标检测是什么 最小外接矩形，也就是最后要回归的目标，也要打上一个标签，且希望和实际情况越接近越好。实例分割要显示每一个像素属于谁，更加复杂。 YOLO之前的模型都是两个步骤：提取一些可能有目标的区域识别区域中的是什么
转载
2024-03-24 19:49:30
38阅读
https://github.com/hoya012/deep_learning_object_detection
转载
2020-09-09 16:00:00
359阅读
看完吴恩达老师的 deeplearning.ai 课程目标检测这节课程的学习笔记。文章目录1. 目标定位(object localization)2. 基于滑动窗口的目标检测算法滑动窗口的卷积实现Bounding Box预测（Bounding box predictions）
原创
2021-09-12 11:21:55
339阅读
# 目标检测与深度学习入门指南
目标检测是计算机视觉领域的一项重要任务，旨在识别图像中的目标并确定其位置。随着深度学习的飞速发展，目标检测技术也取得了显著的进步，能够在各种应用场景中发挥重要作用，如视频监控、自动驾驶、智能安防等。
## 深度学习在目标检测中的作用
传统的目标检测方法依赖于手工特征与浅层分类器，而深度学习引入了卷积神经网络（CNN），极大地提高了检测精度与效率。深度学习模型能
自从深度学习被应用到计算机视觉领域，目标检测算法在短时间内有了很大的进步，甚至有人为了抢个车位用上了Mask R-CNN进行自动检测
转载
2022-12-06 16:47:05
319阅读
目录我们为什么需要集成测试？集成测试的方法非增量测试增量测试自顶向下自底向上混合增量 我们为什么需要集成测试？ 在各个模块均进行了单元测试且通过的前提下，就能保证整个功能是可用的吗？显然是不够充分的。我们从软件研发流程的V模型前半段，可以看到需求是如何一步步拆解到方法的，那么测试时就需要反过来，一步步将零件组装起来，以保证整体是可用的。 集成测试，也叫组装测试或联合测试。在单元测试的基础上，
(非常感谢mooc网提供的学习视频:https://coding.imooc.com/class/298.html)图 1. 目标检测发展历程图 可以看出，在2012年之前，在目标检测领域还是以传统手工特征的检测算法为主，但是随着卷积神经网络(CNN)在2012年的兴起，目标检测开始了在深度学习下的暴力美学。在深度学习下，目标检测的效果比传统手工特征效
转载
2023-09-18 14:08:42
251阅读
引言目标检测：目标检测的目标是确定某张给定图像中是否存在给定类别（比如人、车、自行车、狗和猫）的目标实例；如果存在，就返回每个目标实例的空间位置和覆盖范围（比如返回一个边界框）。目标检测的意义作为图像理解和计算机视觉的基石，目标检测是解决分割、场景理解、目标追踪、图像描述、事件检测和活动识别等更复杂更高层次的视觉任务的基础。目标检测在人工智能和信息技术的许多领域都有广泛的应用，包括机器人视觉、消费
转载
2023-11-23 13:41:06
81阅读
1、目标检测基本概念1.1 什么是目标检测目标检测(Object Dectection)的任务是找出图像中所有感兴趣的目标（物体），确定他们的类别和位置。1.2 目标检测要解决的核心问题除图像分类外，目标检测要解决的核心问题是： 1.目标可能出现在图像的任何位置。 2.目标有各种不同的大小。 3.目标可能有各种不同的形状。1.3 目标检测算法分类Two stage目标检测算法 先进行区域生成（re
转载
2023-12-12 13:44:41
625阅读
IoU Intersection over Union (IoU) 是目标检测里一种重要的评价值。上面第一张途中框出了 gt box 和 predict box，IoU 通过计算这两个框 A、B 间的 Intersection Area $I$ 和 Union Area $U$然而现有的算法都采用 distance losses(例如 SSD 里的 smooth_L1 loss) 来优化
转载
2024-05-24 21:09:46
69阅读
1.概述1.1 目标检测的定义识别图片中有哪些物体以及物体的位置（坐标位置）。其中，需要识别哪些物体是人为设定限制的，仅识别需要检测的物体；物体的坐标位置由两种表示方法：极坐标表示（xmin, ymin, xmax, ymax）和中心点坐标表示（x_center, y_center, w, h）。1.2 目标检测的发展1.2.1 传统的目标检测算法（候选区域+手工特征提取+分类器）——two st
转载
2023-09-26 16:25:19
343阅读
计算机视觉研究院专栏作者：Edison_GOne-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类和位置微调。一、简要One-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检
原创
2022-10-10 13:52:22
500阅读
