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
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
作者 | 范厘针 编辑 | 汽车人跟踪的评价指标有哪些？首先明确评价目标跟踪算法的出发点：希望所有出现的目标都要被及时找到；希望每个目标的位置要与真实的目标位置一致；希望每个目标都被分配一个唯一的ID，并且分配给这个目标的ID在整个序列中保持不变。用于评价的文件det.txt这个文件是保存模型推理的检测结果的文件，内容如下：1,-1,1359.1
想要注意的是，模型和数据集的详细信息并不是这里的主要关注点（它们只是为了尽可能简单，以便读者可以在自己的机器上复现，而不需要下
原创
2024-08-08 11:40:18
84阅读
大家好，马上又要周末了，这周有认真学习，认真科研吗？最近看了一篇新的论文，这里做一下分享。更新时间：2020.04.27论文题目：Know Your Surroundings：Exploiting Scene Information for Object Tracking作者：Goutam Bhat，Martin Danelljan，Luc Van Gool，Radu Timofte摘要：目前SO
转载
2024-02-15 17:25:10
247阅读
一、理论来表达。基于目标特征的跟踪方法，并不是将目标作为一个整体进行跟踪的，而是在连续帧图像中匹配并跟踪一组特征点(如边界线条、质心、角点等)。基于特征的跟踪方法主要包括特征的提取和匹配两个环节。只要特征点可见，就可以实现对目标的持续跟踪。Niyogi.S等人针对目标的结构特征建立了主动模型，使用卡尔曼滤波器(Kalman filter)进行运动预测，通过使能量函数最小化的方法进行目标匹配，从而实
转载
2024-05-08 19:30:28
117阅读
导读今天给大家推荐一个优秀的Github项目，总结了近几年的显著性目标检测相关顶会顶刊论文以及相应代码。尤其适合初学者的论文阅读，以及高级研究员的文献检索和代码查找。Github地址https://github.com/jiwei0921/SOD-CNNs-based-code-summary-欢迎大家直接关注最新动态，持续更新中。项目背景显著性目标检测（salient object detect
转载
2024-06-29 07:50:42
99阅读
Transformers in Single Object Tracking: An Experimental Survey动机 该论文的研究动机是分析和评估最近提出的基于Transformer的单目标跟踪方法，并将它们与CNN和手工特征提取方法进行比较。此外，该研究还旨在通过实验评估这些跟踪器的跟踪鲁棒性和计算效率，并在不同的跟踪场景中测量它们的性能，以确定它们在特定情况下的优缺点。该论文的研究
转载
2024-06-12 19:44:52
612阅读
作者：匿名用户配不配best paper这点不是在下这种匿名菜鸡能评价的，只是说一点在下知道的。仅从cv的角度来看，这类组合优化背景的geometric fitting的问题还是挺有应用背景的（以在下粗鄙的理解就是给一个目标的参数方程形式，但有多少个目标咱不知道，这类问题在cv里除了论文里面的ransac，还有一大类就是类别数目未定的图像分割，很多欧洲老哥把这类问题叫stochastic geom
转载
2024-06-30 10:57:35
55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
普通手机“随手”拍的雕像，一下就变成了精细的三维重建图。水杯来回动的动态场景下，细节清晰可见：静态场景效果也同样nice，狗狗突出的肋骨都被还原了出来：对比来看其他方法，效果是酱婶的……这就是英伟达最新提出的方法BundleSDF。这是一种可对未知物体的6D姿态追踪和三维重建的方法。用于从单目RGBD视频序列中跟踪未知物体的6自由度运动，同时进行物体的隐式神经三维重建，方法接近于实时（10Hz）。
转载
2024-06-21 07:44:17
98阅读
SVM全称是supported vector machine(支持向量机)，即寻找到一个超平面使样本分成两类，并且间隔最大。SVM能够执行线性或⾮线性分类、回归，甚至是异常值检测任务。它是机器学习领域最受欢迎的模型之一。SVM特别适用于中小型复杂数据集的分类。超平面最大间隔 上左图显示了三种可能的线性分类器的决策边界：虚线所代表的模型表现非常糟糕，甚至都无法正确实现分类。其余两个模型在
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 语义分割的弱增量学习（WILSS）目的是学习从廉价和广泛可用的图像级标签中分割出新的类别，但图像级别的标签不能提供定位每个片段的细节。为了解决该问题，本文提出了一个新颖且数据高效的框架（FMWISS）。该框架提出了基于预训练的共同分割，以提炼出互补基础模型的知识来生成密集的伪标签。用师生结构进一步优化噪声伪标签，并引入基于内存的复制-粘贴增强技术，以改善旧类的灾难性遗忘问题。FMW
转载
2024-05-13 10:44:30
155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
目录导读引言方法Parallel Heterogeneous ArchitecturePrototype Learning by Adaptive Frequency Filter MotivationFrequency Similarity Kernel (FSK)Dynamic Low-Pass Filters (DLF)Paper: Mo
转载
2024-05-20 18:03:24
251阅读
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
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
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
