这里说一下ROI Pool和ROI Align的区别：一、ROI Pool层参考Faster RCNN中的ROI Pool层，功能是将不同size的ROI区域映射到固定大小的feature map上。它的缺点：由于两次量化带来的误差；将候选框边界量化为整数点坐标值将量化后的边界区域平均分割成 k x k 个单元(bin),对每一个单元的边界进行量化下面我们用直观的例子具体分析一下上述区域不匹配问题
转载
2024-07-16 15:25:52
96阅读
目标检测中IOU的发展smooth L1 lossIOUGIOUDIOUCIOUEIOUIOU loss的总结下载链接 说明：本文仅供学习smooth L1 lossSmooth L1 Loss完美的避开了L1和L2 Loss的缺点L1 Loss的问题：损失函数对x的导数为常数，在训练后期，x很小时，如果learning rate 不变，损失函数会在稳定值附近波动，很难收敛到更高的精度。L2 L
转载
2024-06-07 14:13:48
79阅读
这几天学习了目标检测/R-CNN/SPP-Net/Fast R-CNN/Faster-R CNN这几个框架， 想做点笔记加深印象，如有理解错误，请指出，Thanks！目标检测主要有两个任务：定位图片中的物体识别物体的类别故目标检测是一个定位 + 分类的任务，比图像分类更有难度。 传统的目标检测大体流程可以表示如下： 随着深度学习的兴起，以及CNN所表现出的强大的视觉处理性能，目标检测也有传统方法想
转载
2024-05-23 22:29:46
14阅读
简介R-CNN作为经典目标检测算法，由Ross Girshick在CVPR 2014提出，获得了当时VOC2007，VOC2010等目标检测任务最优的成绩。原理完整R-CNN结构不使用滑动窗口方法(候选框多，费时间）。而是使用候选区域方法（region proposal method），创建目标检测的区域改变了图像领域实现物体检测的模型思路，R-CNN是以深度神经网络为基础的物体检测的模型 ，R-
转载
2024-04-16 09:50:12
69阅读
ROS-OpenCV1. 环境配置1.1 realsense SDK2.0安装①通过官网找到最新的SDK包并下载Intel RealSense SDK 2.0 ②解压安装包（librealsense-2.47.0.tar.gz） ③注册服务器的公钥：sudo apt-key adv --keyserver keys.gnupg.net --recv-key F6E65AC044F831AC80A0
转载
2024-03-27 06:46:23
333阅读
介绍人类可以在几毫秒内在我们的视线中挑选出物体。事实上，你现在就环顾四周，你将观察到周围环境并快速检测到存在的物体，并且把目光回到我们这篇文章来。大概需要多长时间？这就是实时目标检测。如果我们能让机器做到这一点有多酷？开心的是现在我们就可以做到！主要由于最近在深度学习和计算机视觉方面的突破，我们不仅可以依靠目标检测算法来检测图像中的物体，而且还可以以人类的速度和准确度来实现。我们将首先看看目标检测
目录一、基础理论0、引言1、TPR与FPR1、TPR（召回率）2、FPR 2、ROC曲线3、AUC指标二、癌症分类的模型检测（AUC指标）1、正反例转1、02、计算AUC指标总代码一、基础理论0、引言在开始讲解以前，先假设一种情况：这种情况样本不均衡（正样本太多，没法预测到正确的结果）。要衡量样本不均衡时的分类器效果，这时引入：ROC曲线和AUC指标。1、TPR与FPR1、TPR（召回率
目标检测作为计算机视觉领域的顶梁柱，不仅可以独立完成车辆、商品、缺陷检测等任务，也是人脸识别、视频分析、以图搜图等复合技术的核心模块，在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。正因如此，YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷，各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下，运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案
转载
2024-04-28 10:01:26
99阅读
之前作者用滑动窗口和HOG来进行船体监测，在开放水域和港湾取得了不错的成绩，但是对于不一致的复杂背景，这个方法的性能会下降。为了解决这个缺点，作者使用YOLO作为物体检测的流水线，这个方法相比于HOG提高了对背景的辨别力，并且可以快速的在不同尺度和多样传感器上进行快速检测。ReviewImageNet上的目标检测和卫星图像上的检测有以下四个方面的不同：1.卫星图像的目标检测通常都很小（~20像
论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS，不再需要anchor相关的的超参数，在目前流行的逐像素(per-pixel)预测方法上进行目标检测，根据实验结果来看，FCOS能够与主流的检测算法相比较，达到SOTA，为后面的大热的anchor-free方法提供了很好的参考 论文: FCOS: Fully Convolutional One-
转载
2024-08-09 10:58:56
49阅读
继续上一篇RCNN之后，继续介绍FAST-RCNN, 因为RCNN虽然实现了bbox的预测，但是非常缓慢，存在大量的重复运算。fast-rcnn就是在rcnn基础上进行的改进。 改进：Fast RCNN方法解决了RCNN方法三个问题：问题一：测试慢 RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。 本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候
转载
2024-08-12 11:49:11
98阅读
SSD（Single Shot Detection）是一个流行且强大的目标检测网络，网络结构包含了基础网络（Base Network），辅助卷积层（Auxiliary Convolutions）和预测卷积层（Predicton Convolutions）。本文包含了以下几个部分：（1）理解SSD网络算法所需要理解的几个重要概念（2）SSD网络框架图（3）SSD网络中几个重要概念的详细解释（4）SS
转载
2024-01-06 06:16:53
74阅读
VOCDateAugment目的：对VOC数据集的对象检测的数据进行数据增强。 本人编写了一个脚本，在没使用脚本前请前去除没有打标签的图片或多余的标签文件。并请确保标签文件和图片命名一样。visualiztion模块这个模块是脚本，主要功能是通过图片和其label文件，生成带bboxs的图片。效果如下图片ImgParser模块里面有class ImgParser类，类提供了5个图片数据增强的功能，
文章目录交并比（IOU）准确率（Precision）和召回率（Recall）AP（平均精度）和mAP（平均精度均值）非极大值抑制：NMSSoft NMSSliding-window（滑动窗口）Select Search（选择搜索） 交并比（IOU）IoU (Interseeection over Union) 交并比：计算“预测边框”和“真实边框”的交集和并集的比值，用来衡量检测算法性能。准确率
转载
2024-03-28 14:00:06
65阅读
召回率（Recall），精确率（Precision），平均正确率（AP），交除并（IoU）摘要在训练YOLO v2的过程中，系统会显示出一些评价训练效果的值，如Recall，IoU等等。为了怕以后忘了，现在把自己对这几种度量方式的理解记录一下。 这一文章首先假设一个测试集，然后围绕这一测试集来介绍这几种度量方式的计算方法。大雁与飞机假设现在有这样一个测试集，测试集中的图片只由大雁和飞机两种图片组
PR曲线与ROC曲线都是机器学习中性能评估的重要指标，本文主要讲这两个曲线。预备知识熟悉基础定义TP, FN, FP, TN。理解主要评估指标概念机器学习-基础知识 - Precision, Recall, Sensitivity, Specificity, Accuracy, FNR, FPR, TPR, TNR, F1 Score, Balanced F Score等。示例数据 样本
01 传统图像识别方法传统的图像识别算法解决目标检测问题时，主要分为4个步骤：（1）在图片上选出所有物体可能出现的区域框，可以是滑动窗口等穷举法。 （2）对（1）步找到的区域卡进行特征提取。 （3）对（2）步提取出来的特征进行分类 （4）通过非极大值一直（Non-maximum suppression）提取结果其中： 可以对穷举法进行一些改进，使用selective search进行启发式的搜索来
一、ROS项目简介ROS是一个开源的操作系统，旨在为机器人研究和开发提供一个灵活且功能强大的平台。它由韩国机器人研究所（Korean Institute of Science and Technology）于2007年创建，并于2008年正式发布。ROS被广泛应用于各类机器人项目，包括工业机器人、服务机器人、移动机器人等。其设计目标是促进机器人软件开发的共享和协作，使开发者能够更加高效地构建智能机
前言cvpr2020的研究工作，于2020/4/9日开源，如下图所示，目前被接收的文章有在KITTI上的有四篇，分别是PV-RCNN,SA-SSD,Point-GNN和这一篇文章，应该说pvrcnn在精度上是独树一帜的远高于第二名的，不过这些文章也是很有创新性的。 这一篇来自港中文和港科，同样是贾佳亚组，他们组在3D检测方向有很多好的工作，之前的诸如point-rcnn,fast point r
当前，水下领域比较小众，开源的资料比较少。Bluerov作为成熟的产品，结合其开源的优势，经历了多年的技术迭代，在市场上受到极大欢迎。刚接触水下领域时，希望能找到一个比较方便的实验平台，开源的Bluerov基本上算是唯一的选择。 Bluerov本身的软件架构，Pixhawk（ardusub）—— Raspberry
