翻译论文：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition概述当前深度卷积神经网络（CNNs）都需输入固定的图像尺寸(fixed-size),如224×224）。这种需要是“人为”的，并且当面对任意尺寸或比例的图像时，识别精度会降低。而论文中提出的**“空间金字塔池化”(spatial pyr
转载
2024-04-03 10:21:49
103阅读
目录一、one-stage1、yolo1.1 yolov11.2 yolov21.3 yolov31.4 yolov41.5 yolov52、SSD3、RetainNet二、two-stage1、R-CNN2、Fast R-CNN3、Faster R-CNN大致分为两类one-stage和two-stage，主要区别是检测目标类别与bounding box回归任务是否分开进行。two-stage代
转载
2024-03-21 11:41:56
27阅读
一、前言因为是第一篇，所以这里记录一点基础：分类、检测、分割的区别： （1）图像分类：只需要指明图像中相应目标所属的类别就可以； （2）目标检测：需要定位到目标所处的位置，用矩形框表示； （3）目标分割：a. 语义分割：需要找到当前目标所占的区域，去除背景区域，其他目标的区域；b. 实例分割：不仅需要区分不同语义的目标，而且对于同一类别的目标也需要划分出不同的实例；下面这张图像就对应了上述的情况接
转载
2024-04-15 14:55:29
409阅读
YOLOv3介绍： 发表在2018年的CVPR上，论文名称：An Incremental Improvement。 上图可以看出 yolov3在COCO数据集上，推理速度是最快的，但是准确率不是最高的。  
转载
2024-04-09 10:37:08
48阅读
1 SSD基础原理1.1 SSD网络结构SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不仅在填加特征图(conv8_2, conv9_2, conv_10_2, pool_11)上
转载
2024-09-02 18:48:30
45阅读
参考列表Selective Search for Object Recognition Selective Search for Object Recognition(菜菜鸟小Q的专栏) Selective Search for Object Recognition(Surge) Selective Search for Object Recognition(原始论文
转载
2024-08-12 12:14:48
9阅读
目标检测(Object detection)学过了对象定位和特征点检测，今天我们来构建一个对象检测算法。这节课，我们将学习如何通过卷积网络进行对象检测，采用的是基于滑动窗口的目标检测算法。 假如你想构建一个汽车检测算法，步骤是(以上图为例)，首先创建一个标签训练集，也就是x和y表示适当剪切的汽车图片样本，这张图片(编号1)x是一个正样本，因为它是一辆汽车图片，这几张图片(编号2、3)也
转载
2024-08-12 11:04:03
71阅读
本文介绍一篇两阶段的3D目标检测网络：Voxel R-CNN，论文已收录于AAAI 2021。 这里重点是理解本文提出的 Voxel RoI pooling。论文链接为：https://arxiv.org/pdf/2012.15712.pdf项目链接为：https://github.com/djiajunustc/Voxel-R-CNN0. Abstract这里先给出本文摘要：3D目标检测的最新进
转载
2024-04-08 10:41:27
82阅读
自从卷积神经网络在分类问题上取得很大进步以后，学者们纷纷想办法将卷积神经网络迁移到目标检测、目标分割等领域。目标检测领域发展到现在，出现了很多里程碑式的网络结构和设计思想，可以说是百花齐放，大放异彩，但是总体上大概可以将目标检测分为三个类别：two-stageone-stageanchor-freetwo-stage
转载
2024-03-19 14:04:33
62阅读
1.瓶颈问题：小尺度目标，受限于缺乏足够的目标特征信息，使之很难从背景中区分出来，且小尺度目标一般都是低分辨率、模糊不清的，因此检测性能一般CNN-based目标检测算法都需要使用到下采样操作，导致小尺度目标不仅损失了空间位置信息，且本来很少的目标特征几乎被背景上的特征给淹没了2.本文贡献：提出了一种用于小物体检测的新型统一端到端多任务生成对抗网络（MTGAN），可以与任何现有的检测器结合使用在M
转载
2024-04-22 10:36:07
36阅读
1、通常的CNN网络结构如下图所示 图1上图网络是自底向上卷积，然后使用最后一层特征图进行预测，像SPP-Net，Fast R-CNN，Faster R-CNN就是采用这种方式，即仅采用网络最后一层的特征。以VGG16为例子，假如feat_strid
转载
2024-03-28 10:55:10
72阅读
文章目录一、 SqueezeNet：压缩再扩展1.1 介绍1.2 相关工作1.2.1 模型压缩1.2.2 CNN 微/宏 架构1.3 SqueezeNet1.3.1 设计策略1.3.2 fire 模块1.3.3 SqueezeNet架构1.4 评价SqueezeNet1.5 CNN微架构设计空间探索1.5.1 微架构的元参数1.5.2 压缩比1.5.3 1×1和3×3卷积核的比例1.6 CNN宏
转载
2024-02-16 10:56:47
89阅读
SSD介绍： 是作者Wei Liu在ECCV 2016上发表的论文提出的。对于输入尺寸300*300的SSD网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS（每秒可以检测59张图片）；对于输入512*512的SSD网络，达到了76.9%mAP，超越了当时最强
转载
2024-05-27 16:33:28
62阅读
目录目标分割介绍图像分割的定义任务类型任务描述任务类型常用的开源数据集VOC数据集城市风光Cityscapes数据集评价指标像素精度平均像素精度平均交并比总结 目标分割介绍学习目标知道图像分割的目的知道图像分割的任务类型知道图像分割的常见数据集知道图像分割的评估方法计算机视觉旨在识别和理解图像中的内容，包含三大基本任务：图像分类(图a)、目标检测(图b)和图像分割,其中图像分割又可分为：语义分割
转载
2024-03-28 09:41:07
231阅读
图像处理相关的例子。 目标分割：像素级的处理，将需要的部分从背景中分割出来。 目标检测：在分割的基础上检测到其具体位置。 目标识别：定位到具体位置后与给定数据进行匹配，做一个分类工作。 目标跟踪：一般是出现在视频中对一个单一个体进行上述工作的重复。典型的技术路线是：目标分割 ——>目标检测 ——>目标识别 ——>目标跟踪 举个栗子，如：需要对视频中的小明进行跟踪，处理过程将经历如
一、研究意义 卷积神经网络(CNN)由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构，该结构使得卷积神经网络可以端到端的训练，并应用于文档识别。LeNet-5结构是CNN最经典的网络结构，而后发展的卷积神经网络结构都是由此版本衍生而来。 
转载
2024-06-07 11:36:27
0阅读
Non-Maximum Suppression（NMS）非极大值抑制。从字面意思理解，抑制那些非极大值的元素，保留极大值元素。其主要用于目标检测，目标跟踪，3D重建，数据挖掘等。 目前NMS常用的有标准NMS, Soft NMS, DIOU NMS等。后续出现了新的Softer NMS，Weighted NMS等改进版。一、原始NMS以目标检测为例，目标检测推理过程中会产生很多检测框（A,B,C,
转载
2023-12-15 14:16:58
81阅读
目录1.计算标号1.1生成锚框1.2生成预测框1.3标注2.计算损失2.1模型的预测2.2 损失的计算3.参考代码3.1计算标号3.2计算损失1.计算标号目标检测的损失，首先要根据真实框计算出预测框，预测框标注了锚框与真实框的中心点和高宽的偏差，物体的类别。模型预测出的是这些偏差值，损失由这些偏差值来建立。1.1生成锚框给出下采样值，将图片划分为 M 行 N 列个小方框，以每个小方框的中
参考链接Objects as PointsCenterNet (CVPR2019)概要这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和CornerNet（参考博客：CornerNet笔记）是相似的，方法上做了较大的调整，整体上给人一种非常清爽的感觉，算法思想很朴素、直接，而且重点是在效果和效率之间能取得很好的平衡，提供的几个模型基本上能满足大部分人对效果和效率
转载
2024-03-12 16:14:48
107阅读
6.4.1 DeepLab 背景相比于传统的视觉算法(SIFT或HOG)，Deep-CNN以其end-to-end方式获得了很好的效果。这样的成功部分可以归功于Deep-CNN对图像转换的平移不变性(invariance)，这根本是源于重复的池化和下采样组合层。平移不变性增强了对数据分层抽象的能力，但同时可能会阻碍低级(low-level)视觉任务,例如姿态估计、语义分割等，在这些任务中我们倾向于
转载
2024-04-25 16:19:00
54阅读
