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
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
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
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
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
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
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
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
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
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
版本要求：matlab大于等于2019。此示例演示如何修改预先训练的MobileNet v2网络，以创建YOLO v2对象检测网络。将预训练的网络转换为YOLO v2网络的过程类似于图像分类的迁移学习过程:1）加载预训练的网络。2）从预训练的网络中选择一层用于特征提取。3）去除特征提取层之后的所有层。4）添加新层以支持对象检测任务。1.加载预训练的网络使用mobilenetv2加载预先训练过的mo
转载
2024-04-07 14:37:25
71阅读
YOLOV4网络结构解析Darknet53YOlOv4网络组成InputCSPDarknetNeckHeadYOLOV4整体结构图和细节图 Darknet53Darknet53是YOLOV3的骨干网络结构，因为网络有53层卷积层，所以名为Darknet53。YOlOv4网络组成YOLOV4原论文中对现有的目标检测网络结构进行了归纳，分为四部分：Input----网络的输入Backbone—用来从
转载
2024-08-13 17:54:13
68阅读
One Stage和Two Stage。 之前已经介绍了R-CNN、Fast-RCNN以及Faster-RCNN三种目标检测网络的算法流程和理论，这三种网络都属于Two Stage，Two Stage字面意思就是需要两步完成检测，这种目标检测网络有个比较明显的缺陷是检测速度较慢。为了加快检测速度，出现了另外一种One Stage的目标检测网络，常见地例如SSD、Yolo算法。
配置环境：RTX3090 PyTorch 1.9.0CUDA 11.3 cudnn 8.2.0mmcv 0.5.9(旧版本)opencv 3.4.4.19（旧版本）DOTA数据集下载：DOTAR3Det训练好的checkpoints（用于test测试，u8bj）：百度网盘 请输入提取码项目地址：GitHub - SJTU-Thinklab-Det/r3det-on-mmdete
转载
2024-02-27 20:02:30
80阅读
目标检测一、分类和发展史二、Anchor锚三、anchor-based1、one-stage2、two-stage四、anchor-free五、YOLO系列六、R-CNN系列**1、R-CNN**2、Spp-Net3、Fast-RCNN4、Faster-RCNN5、Mask-RCNN 一、分类和发展史计算机视觉的任务很多，有图像分类、目标检测、图像分割（语义分割、实例分割和全景分割等）、图像生成
转载
2024-05-08 23:43:47
213阅读
组成目标检测网络的两个重要部分：Backbone和Detection head。一、Backbone和Detection head通常，为了实现从图像中检测目标的位置和类别，我们会先从图像中提取出些必要的特征信息，比如HOG特征，然后利用这些特征去实现定位和分类。而在在深度学习这一块，backbone部分的网络就是负责从图像中提取特征，当然，这里提出的是什么样的特征，我们是无从得知的，毕竟深度学习
转载
2024-03-19 20:28:48
71阅读
关于网络： YOLOv2用的是Darknet-19网络用于特征提取的。作者在论文中这样说到：其实很多检测框架都是依赖于VGG-16网络来提取特征的，VGG-16是一个强大的，准确率高的分类网络，但是它很复杂。看没看到，作者用了一个“但是”就把这个网络否定了，然后自己牛逼的提出了一个比它优秀的网络。作者继续补刀：仅一张分辨率
转载
2024-08-27 15:03:57
72阅读
深度学习这件小事目标检测一直是计算机视觉领域中一大难题。近日，来自阿尔伯塔大学的研究者对目标检测领域的近期发展进行了综述，涵盖常见数据格式和数据集、2D 目标检测方法和 3D 目标检测方法。目标检测任务的目标是找到图像中的所有感兴趣区域，并确定这些区域的位置和类别。由于目标具有许多不同的外观、形状和姿态，再加上光线、遮挡和成像过程中其它因素的干扰，目标检测一直以来都是计算机视觉领域中一大挑战性难题
转载
2024-06-04 07:23:19
23阅读
