Faster R-CNN: Towards Real-Time Object Detection with Region Proposal NetworksRCNN系列论文：目标检测：RCCN网络详解目标检测：Fast RCNN网络详解目标检测：Faster RCNN网络详解简述：Fast RCNN存在着Selective Search（选择性搜索）。要找出所有的候选框，这个也非常耗时。在Fast
转载
2024-02-19 11:29:56
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
概述DETR使用了目前很火的transformer实现了目标检测，同时也是一个真正意义上的anchor-free模型（不像FCOS，用锚点代替锚框）。DETR主要有以下两个特点：使用了bipartite matching loss，为每一个预测框唯一地分配一个gt框在transformer中使用了parallel decoding然而它也有两个明显的缺点：难以检测小物体由于使用了transform
转载
2023-05-31 11:58:53
238阅读
一：网络整体介绍
ThunderNet的整体架构如下图所示。 ThunderNet使用320×320像素作为网络的输入分辨率。整体的网络结构分为两部分：Backbone部分和Detection部分。网络的骨干部分为SNet，SNet是基于ShuffleNetV2进行修改得到的。 网络的检测部分，利用了压缩的RPN网络，修改自Light-Head R-CNN网络用以提高效率。 并提出Conte
原创
2021-08-26 11:54:52
506阅读
ThunderNet是旷视和国防科技大学合作提出的目标检测模型，目标是在计算力受限的平台进行实时目标检测。需要关注的地方主要就是提出的两个特征增强模块CEM和SAM,其设计理念和应用的方法都非常值得借鉴。 1. 介绍 在移动端的实时目标检测是一个极为重要并且有挑战性的视觉问题。很多基于CNN的检测器
原创
2021-12-29 17:20:41
211阅读
# 如何实现“ThunderNet目标检测”
作为一名经验丰富的开发者，我将带你一步一步学习如何实现“ThunderNet目标检测”。首先，让我们来了解整个流程，并列出每个步骤需要做什么。
## 流程
| 步骤 | 动作 |
| ---- | ---- |
| 步骤1 | 数据集准备 |
| 步骤2 | 模型选择和配置 |
| 步骤3 | 数据预处理 |
| 步骤4 | 模型训练 |
| 步
原创
2023-07-12 04:17:44
46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
在自动驾驶领域，3D多目标跟踪（MOT）作为整个感知系统中的关键任务之一发挥着重要作用，它确保了车辆导航和运动规划的高效和安全。大多数现有的MOT方法基于检测，即通过检测跟踪（TBD），并且仅使用单个深度传感器，如激光雷达来检测和跟踪目标。然而，长距离的非常稀疏的点云导致这些方法无法生成非常精确的检测结果，从而影响跟踪结果。因此，本文提出了一种基于传感器融合的3D MOT方法，利用激光雷达和摄像机
本文为芬兰阿尔托大学（作者：OlaviStenroos）的硕士论文，共75页。目标检测是当前基于机器学习的计算机视觉的一个子领域。在过去的数十年中，机器学习领域被所谓的深度神经网络所主导，其基础是基于计算能力和数据可用性的提高。卷积神经网络（CNN）是神经网络的一个子类，非常适合于处理与图像相关的任务。神经网络通过训练在图像中寻找不同的特征，例如边缘、角和颜色差异，并将它们组合成更复杂的形状。对
转载
2023-12-16 16:39:50
63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
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
在CVPR 2020上，商汤3D&AR团队-身份认证与视频感知组提出了基于向心偏移的Anchor-free目标检测网络CentripetalNet，为基于关键点的目标检测方法研究带来了新思路。CentripetalNet在大型公开数据集MS-COCO上达到了目前Anchor-free检测模型中的最优效果。动机现有的基于关键点的目标检测网络（如CornerNet、CenterN
转载
2024-06-12 23:04:03
52阅读
在深度学习更讲究实用和落地的今天，构建一个简单的，可以利用浏览器和后端交互的演示性 Demo 可以说非常重要且实用了。本文我们将简单的介绍如何用几十行核心代码构建一个好用的、前后端分离的Demo。2020年，可以说真的是流年不利。对于人工智能行业来说，本来就面临着落地考验，再加上疫情打击，很多 AI 企业甚至面临现金流压力。今天元峰得知，“CV四小龙”中两家，竟然以疫情和集中入职为借口，阻止4月份
转载
2024-08-20 19:36:06
359阅读
文章目录前言数据准备模型定义训练模型预测物体 前言目标检测是计算机视觉中的重要任务，它可以用于物体追踪、自动驾驶、智能安防等领域。在实际应用中，我们常常需要针对不同的场景和数据集设计不同的目标检测算法，因此一个灵活、可扩展的目标检测框架是非常有用的。本文将介绍一个目标检测实战框架，该框架基于 Python 和 PyTorch 开发，支持常见的目标检测算法（如 Faster R-CNN、SSD、Y
转载
2023-09-21 06:55:41
272阅读
只需10行Python代码，我们就能实现计算机视觉中目标检测。 from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.set
转载
2024-05-09 09:56:43
27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
39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、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
