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
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
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
在撰写2024 CVPR AIGC论文的过程中，我们面临着多个技术挑战，比如如何确保论文的论点清晰、逻辑严谨、数据分析有效等。在此，我将记录下我们解决“2024 CVPR AIGC论文”相关问题的全过程。
## 背景定位
随着人工智能生成内容（AIGC）技术的不断发展，学术界对AIGC的研究日益增加。针对2024年CVPR的贡献，我们需要确保论文内容具有深度，且在技术上具备前瞻性。
> 用户
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
前言OpenCV DNN模块支持的图像语义分割网络FCN是基于VGG16作为基础网络，运行速度很慢，无法做到实时语义分割。2016年提出的ENet实时语义分割网络基于编码与解码的网络语义分割方式，类似UNet网络，通过构建自定义Block块，在Cityscapes, CamVid, SUN数据集上实现了性能与实时双提高。ENet网络结构作者从ResNet网络结构设计中收到启发，定义两个新的Bloc
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
63阅读
摘要：本文首先介绍了轻量化目标检测及其发展历程，接着又对常见的轻量化目标检测算法以及网络进行概述，在此基础上引出近三年来最新的轻量化目标检测算法，最后对轻量化目标检测的发展和研究做出总结。关键字：目标检测；轻量化；卷积神经网络；深度学习引言 近年来，随着深度学习技术的不断发展，神经网络凭借强大的特征表达能
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
125阅读
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
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
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
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
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
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
