本文分为两部分：算法讲解+论文精读 一、GradCAM深度学习可解释性分析论文：Grad-CAM: Visual Explanations From Deep Networks via Gradient-Based Localization创新点+数据挖掘点基础是CAM复习下CAM算法对深度学习实现可解释性分析、显著性分析可扩展性强，后续衍生出各种基于CAM的算法每张图片、每个类别，都能
本文将介绍一篇很有意思的论文，该方向比较新，故本文保留了较多论文中的设计思路，背景知识等相关内容。前言：人类具有识别环境中未知对象实例的本能。当相应的知识最终可用时，对这些未知实例的内在好奇心有助于了解它们。 这促使我们提出一个新的计算机视觉问题，称为：“开放世界对象检测”，其中模型的任务是：1）将尚未引入的对象识别为“未知”，无需明确监； 2）在逐渐接收到相应的标签时，逐步学
转载
2024-03-28 08:56:04
17阅读
前言阅读CVPR2019并总结CVPR2019目标检测方法进展综述2、Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression论文链接：https://arxiv.org/abs/1902.09630论文解读：https://mp.weixin.qq.com/s/6QsyYtEVjavo
转载
2024-05-26 22:49:02
61阅读
CVPR2021 | 2D目标检测论文解读1. UP-DETR:——《UP-DETR: Unsupervised Pre-training for Object Detection with Transformers(Oral)》2. OWOD——《Towards Open World Object Detection(Oral)》3. YOLOF——《You Only Look One-lev
1. YOLOF-You Only Look One-level Feature1. 摘要： 本文重新回顾了一阶段检测器中的特征金字塔网络（FPN），并指出FPN网络的成功在于他它面对目标检测中的优化问题时的“分而治之”方法。从优化角度看，为了处理这个问题，我们没有使用复杂的特征金字塔结构，而是引入了一个可替代的方法--只使用一级特征来进行检测。基于这个简单并
转载
2024-04-08 21:56:54
128阅读
一、YOLOv1论文：《You Only Look Once: Unified, Real-Time Object Detection》https://arxiv.org/abs/1506.0264网络中的亮点：Yolo v1的思想：第一，将一副图片分成s*s个网络，如果目标中心落在网格，则这个网格负责预测这个目标。例如：图片分成7*7，狗的中心落在中心格子上。 第二，每个grid ce
转载
2024-06-14 08:25:27
120阅读
文章目录一、检测相关(16篇)1.1 Contextual Object Detection with Multimodal Large Language Models1.2 Towards minimizing efforts for Morphing Attacks -- Deep embeddings for morphing pair selection and improved Mor
如果你了解第二篇文章，那么第三篇文章就相对容易。前置废话 最近看了几篇文章，姑且记录下来。最近Transformer在视觉上的paper不断增多，各种idea层出不穷，如swin transformer等。但一切都有迹可循。本blog记录关于目标检测两篇比较有代表性的paper。前置知识了解最原始的Transformer,优化
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
有兴趣的朋友可以相互讨论技术论文：https://arxiv.org/abs/2004.10934官方代码：https://github.com/AlexeyAB/darknet Abstract有大量的技巧可以提高卷积神经网络（CNN）的准确率（accuracy）。需要在大数据集下对这种技巧的组合进行实际测试，并对结果进行理论论证。某些技巧仅在某些模型上使用和专门针对某些问题，或只针对
转载
2024-05-16 23:10:06
74阅读
首先基于一个现象：人类在对事物进行观察的时候，是能够检测到每个实例，并按照自己已知的知识来对每个实例进行分类，有认知的归属到对应类别，无认知的归属到未知(unknown)，而过往的深度学习检测任务所完成的工作只能对已有认知的实例进行定位和分类，所以作者提出，能否使得检测算法达到更近似人类的认知体验？所以作者提出了“开放世界目标检测”任务。作者原文中对这个任务的解释如下：1）在没有明确监督的情况下，
转载
2024-04-30 10:16:24
76阅读
一、参数说明在上一个步骤中，我们进行了模型的训练，训练时的截图如下： 在这里解释一下各个字段的含义：Epoch: num0/num1，num0表示当前的轮数，num1表示一共多少轮。图中为0/19，表示共20轮，当前为第0轮。gpu_mem: GPU内存的使用量。中间几个将在训练的结果中进行解释。最右边的几个数字表示当前训练状态。8/57表示本次epoch需要进行57次迭代，当前迭代次数为8。00
Siamese类SiamFC（ECCV2016）SiamRPN（CVPR2018 Spotlight）：SiamFC+RPNDaSiamRPN（ECCV2018）SiamRPN++（CVPR2019）：ResNet+multilevel feature，对每个层的特征都做RPN，再结合，和C-RPN不一样；CFNet（CVPR2017）：第一篇将Siamese和相关滤波结合RASNet（CVPR2
本文是中科院自动化所、腾讯优图、快手科技联合发表的工作，收录于CVPR2020。对定向和密集场景的目标进行检测，可以说是目标检测在特定场景下的应用与优化。具体的创新点在于特征选择模块通过改进可形变卷积，实现自适应感受野。对分类和回归任务进行动态优化。在过去十年中，目标检测取得了显着进展。由于以下原因，对定向和密集物体的检测仍然具有挑战性。（1）神经元的感受野通常沿轴排列并具有相同的形状，而物体通常
转载
2024-09-02 17:40:45
17阅读
翻栗子量子位 出品 |昨天，Yann LeCun大神发推宣布，Facebook的两个无监督翻译模型，开源了。所谓无监督，便是不需要双语对照文本，只用单语语料库 (Monolingual Corpora) 来训练AI的翻译能力。登上了EMNLP 2018此次开源的两个模型，一个是基于短语的翻译模型 (PBSMT) ，另一个是神经翻译模型 (NMT) 。△ 三步如B)C)D)二者都经历了以下
大概总结了一下CVPR2022目标检测领域的文章，并未包括跨域和3D目标检测。 个人总结，难免有疏漏，大家参考一下就好。CVPR 2022一、常规目标检测1. MViTv2: Improved Multiscale Vision Transformers for Classification and Detection作者Yanghao Li, Chao-Yuan Wu, Haoqi Fan, K
转载
2024-02-01 20:29:09
192阅读
众所周知，实时目标检测( Real-Time Object Detection )一直由 YOLO 系列模型主导。飞桨在去年 3 月份推出了高精度通用目标检测模型 PP-YOLOE ，同年在 PP-YOLOE 的基础上提出了 PP-YOLOE+ 。后者在训练收敛速度、下游任务泛化能力以及高性能部署能力方面均达到了很好的效果。而继 PP-YOLOE 提出后，MT-YOLOv6、YOLOv7、DAMO
RetinaNet 是通过对单目标检测模型 (如 YOLO 和 SSD) 进行两次改进而形成的：1.Feature Pyramid Networks for Object Detection （https://arxiv.org/abs/1612.03144）2.Focal Loss for Dense Object Detection （https://arxiv.org/abs/1708.02
作者：YJHMITWEB首先我们明确一个定义，当前主流的Object Detection框架分为1 stage和2 stage，而2 stage多出来的这个stage就是Regional Proposal过程，明确这一点后，我们继续讲。Regional Proposal的输出到底是什么？我们首先看一下以Faster R-CNN为代表的2 stage目标检测方法图1可以看到，图中有两个Classi
转载
2024-07-08 10:48:37
320阅读
论文链接https://arxiv.org/abs/1902.096301.Motivation 包围框回归是2D/3D 视觉任务中一个最基础的模块，不管是目标检测，目标跟踪，还是实例分割，都依赖于对bounding box进行回归，以获得准确的定位效果。目前基于深度学习的方法想获得更好的检测性能，要么是用更好的backbone，要么是设计更好的策略提取更好的feature,然而却忽视了bound
转载
2024-04-26 15:05:45
163阅读
