目标检测：DETR详解前言DETRBackboneEncoderDecoder实验 前言DETR是第一篇将Transformer应用到目标检测方向的算法。DETR是一个经典的Encoder-Decoder结构的算法，它的骨干网络是一个卷积网络，Encoder和Decoder则是两个基于Transformer的结构。DETR的输出层则是一个MLP。它使用了一个基于二部图匹配（bipartite m
1．研究意义众所周知，当前是信息时代，信息的获得、加工、处理以及应用都有了飞跃发展。人们认识世界的重要知识来源就是图像信息，在很多场合，图像所传送的信息比其他形式的信息更丰富、真切和具体。人眼与大脑的协作使得人们可以获取、处理以及理解视觉信息，人类利用视觉感知外界环境信息的效率很高。事实上，据一些国外学者所做的统计，人类所获得外界信息有80%左右是来自眼睛摄取的图像。由此可见，视觉作为人类获取外界
主要是四类不平衡，知乎介绍的很清楚。https://zhuanlan.zhihu.com/p/82371629现在说下open issues：这里作者并没有提出方法，只是跑出来一些疑问，这些疑问是待解决的问题。9.1 一般问题： 先说a： 有两个正样本边界框(与类别不平衡相关),不同尺度(与尺度不平衡相关),损失值(与目标不平衡相关)和IoU(与BB，bounder box 不平衡相关)。 再说b
问题：图像分类网络是否可以用于目标检测在什么情况下可以使用图像分类与目标检测的区别目标检测架构的基本网络将一个预训练的分类网络作为深度学习目标检测架构（例如 Faster R-CNN、SSD 或者 YOLO）的基本网络。这个方法的好处是：你可以创建一个基于深度学习的复杂端到端目标检测器。而其不足之处是：它需要一些关于深度学习目标检测器如何工作的知识，我们将在后面的部分中讨论这个问题。深度学习目标检
目标检测tricks（基于detectron2）正确尝试裁剪由于目标相对于整张图片来说过小，所以对数据进行裁剪（除了裁剪尺寸还需要关注重叠尺寸，重叠尺寸稍微大一些，尽量保持每个目标有完整的存在，不至于因裁剪而破坏目标，这里设置裁剪512，重叠256）改变anchor size和aspect_ratio由于数据目标较小，所以需要更改detectron2里默认的anchor.size和aspect_r
两步走的目标检测：先进行区域推荐，而后进行目标分类
代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN
端到端的目标检测：采用一个网络一步到位
代表：YOLO、SSD先来回归下分类的原理，这是一个常见的CNN组成图，输入一张图片，经过其中卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果.分类的损失与优化
在训练的时候需要计算每个样本的损失，那么CN
目标检测总综述目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。所以，object detection要解决的问题就是物体在哪里以及是什么的整个流程问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方
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
1、计算机在检测人脸的过程中实际上是做分类检测，即发现图片中一些像素组成了：“眼睛特征”、“鼻子特征”等。2、如果“眼睛特征”旁边有“鼻子特征”，“鼻子特征”旁边又有“眼睛特征”，着三个元素所在的区域就很有可能就是人脸区域；如果缺少了必要的特征，那么就不组成人脸的特征，就不是人脸了。3、检测人脸的算法比较复杂，OpenCV将一系列算法封装好。一系列的简单分类器按照一定顺序级联到一起就构成了级联分类
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。 
深度学习在视觉方面有三个重要的部分：目标分类、目标检测、目标分割。 目标分类（Object Classification）：判断图像中出现的物体属于哪一个类别。可实现：输入一副图片，输出该图片中物体类别的候选集合。 目标检测（Object Detection）:又叫物体检测或目标分类检测，包含两个问题，一是判断出现在图
目标检测：更关注语义层面 目标分割：关注像素级别的目标检测算法基本流程 DPM：会加额外的策略，传统算法的巅峰之作深度学习目标检测方法： One-stage(YOLO SSD) Two-stage(Faster RCNN) 目前深度学习目标检测方法是主流 通过学习方法获取特征，特征会更加鲁棒 Proposal或者直接回归 获取目标 在进行目标判定的时候，通过深度网络 特征的不鲁棒， 端到端，端到端
参考分类任务中解决类别不平衡的办法：1 什么是类别不平衡问题？类别不平衡（class-imbalance），也叫数据倾斜，数据不平衡，就是指分类任务中不同类别的训练样例数目差别很大的情况。在现实的分类学习任务中，我们经常会遇到类别不平衡，例如交易欺诈、广告点击率预测、病毒脚本判断等；或者在通过拆分法解决多分类问题时，即使原始问题中不同类别的训练样例数目相当，在使用OvR（One vs. Rest）
目标检测算法分类：基于深度学习的目标检测算法主要分为两类：1.Two stage目标检测算法先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。任务：特征提取—>生成RP—>分类/定位回归。常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等
前言在深度学习出现之前，传统的目标检测方法大概分为区域选择（滑窗）、特征提取（SIFT、HOG等）、分类器（SVM、Adaboost等）三个部分，其主要问题有两方面：一方面滑窗选择策略没有针对性、时间复杂度高，窗口冗余；另一方面手工设计的特征鲁棒性较差。自深度学习出现之后，目标检测取得了巨大的突破，最瞩目的两个方向有：1 以RCNN为代表的基于Region Proposal的深度学习目标检测算法（
作者：陀飞轮自从去年8月CornerNet开始，Anchor-Free的目标检测模型层出不穷，最近达到了井喷的状态，宣告着目标检测迈入了Anchor-Free时代。其实Anchor-Free并不是一个新概念了，大火的YOLO算是目标检测领域最早的Anchor-Free模型，而最近的Anchor-Free模型如FASF、FCOS、FoveaBox都能看到DenseBox的影子。下面主要讲一下有代表性
3.1 目标检测基本概念3.1.1 什么是目标检测 目标检测是计算机视觉中的一个重要任务，近年来传统目标检测方法已经难以满足人们对目标检测效果的要求，随着深度学习在计算机视觉任务上取得的巨大进展，目前基于深度学习的目标检测算法已经成为主流。相比较于基于深度学习的图像分类任务，目标检测任务更具难度。具体区别如图3-1所示。图像分类：只需要判断输入的图像中是否包含感兴趣物体。目标检测：需要在识别出图片
目标检测是计算机视觉中的一个重要任务，近年来传统目标检测方法已经难以满足人们对目标检测效果的要求，随着深度学习在计算机视觉任务上取得的巨大进展，目前基于深度学习的目标检测算法已经成为主流。相比较于基于深度学习的图像分类任务，目标检测任务更具难度。具体区别如图3-1所示。图像分类：只需要判断输入的图像中是否包含感兴趣物体。目标检测：需要在识别出图片中目标类别的基础上，还要精确定位到目标的具体位置，并
目标检测 - 评价指标1. IOU2. TP、FP、FN、TN3. Precision、Recall4. P - R 曲线5. AP & mAPReference 1. IOU交并比（Intersection Over Union， IOU）是度量两个检测框（对于目标检测来说）的交叠程度，公式如下：Bgt 代表的是目标实际的边框（Ground Truth，GT），Bp 代表的是预测的边框
作者：Edison_GOne-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类和位置微调。一、简要One-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类和位置微调
