特征空间中样本点最密集的区域，搜索点沿着样本点密度增加的方向“漂移”到局部密度...
视频跟踪：基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪 基于对比度分析的目标跟踪：主要利用目标和背景的对比度差异实现目标的检测与跟踪。这类算法按照跟踪参考点的不同可以分为边缘跟踪# 形心跟踪和质心 跟踪等。这类算法不适合复杂背景中的目标跟踪"但在空中背景下的目标跟踪...
涉及两篇论文：Visual Object Tracking using Adaptive Correlation Filters
参考：http://www.52ml.net/16296.html 这个算法的优点就在于，它首先一步就能找到聚类中心，然后划分类别。而
这是在百度文库里看到的：http://wenku.baidu.com/link?url=E_m_ERgoqpq8n16iuHki0HYdY7uknjBRmQmlpec45KMDv4S6NybGTPW7tUvkzgXZDY5Ydee0mdXTJLFmtwtnLgs-oTuews4ua2iwdXo7ik...
2015年的一篇论文，可参考：://blog..net/carrierlxksuper/article/details/461245。 另参考：://.skyoung.org/kcf-tracking-method/ 其中提到了redge regression（岭回
关于这个算法，已经有网友写出笔记。 这位网友用画图的方式总结出了算法的各个流程，并总结了源码中的各个类：://blog..net/roamer_nuptgczx/article/details/47953357#plain 这篇博文分析了聚类算法：://blog..n
首先看看get_features函数。 首先判断是hog特征还是gray，分两种情况。 如果是hog特征，调用fhog函数，返回x，并将矩阵x的第三维最后一个组数据删除（好奇fhog函数://vision.ucsd.edu/~pdollar/toolbox/doc/index.html）。
卷积网络 卷积网络用三种结构来确保移位、尺度和旋转不变：局部感知野、权值共享和时间或空间降采样。典型的leNet-5如下图所示： C1中每个特征图的每个单元和输入的25个点相连，这个5*5的区域被称为感知野。特征图的每个单元共享25个权值和一个偏置。其他特征图使用不同的权值（卷积枋），因 此可以得到
这篇论文主要讲了CNN的很多技巧，参考这位博主的笔记：://blog..net/whiteinblue/article/details/43202399 https://blog.acolyer.org/2016/04/20/imagenet-classification-with-
知乎专栏这篇可视化CNN讲的挺不错，我再稍微提炼下。 Visualization with a Deconvnet：将feature map中的特征通过反池化、反激活、反卷积映射到像素。反池化可通过记录最大激活值的位置来实现，反激活直接使用ReLU，反卷积采用该卷积核的转置来进行卷积操作（why？）Convnet Visualization 1.Feat
2016ICLR最佳论文 Deep Compression: Compression Deep Neural Networks With Pruning, Trained Quantization And Huffman Codin主要针对神经网络模型巨大，在嵌入式机器中比较难运行的问题。abstruct 压缩网络包括三个阶段：pruning, trained quantizat
参考：://blog..net/xbinworld/article/details/69049680 论文的关键在理解这句话： 先通过V中坐标(xtarget,ytarget)以此找到它在U中的坐标，然后再通过双线性插值采样出真实的像素值，放到(xtarget,ytarget)。
恢复内容开始 一、创新点 针对two-stage的速度慢以及one-stage精度不足提出的方法，refinedet 包括三个核心部分：使用TCB来转换ARM的特征，送入ODM中进行检测； 两步级连回归；过滤较多的负样本（容易分类的，类似于ohem）。 （1）anchor refine module
1、SSH单阶人脸段检测器，在不同层检测不同scale的人脸，而不是使用mtcnn中金字塔的方式，从而实现加速。 2、SSH的整体结构，3个module的stride分别为8,16,32，使用不同的感受野，从而实现多尺度；三个Module独立训练、检测， 最终结果NMS。 3、检测模块和上下文模块。
ECCV2018 论文：Receptive Field Block Net for Accurate and Fast Object Detection 论文链接：https://arxiv.org/abs/1711.07767 代码链接：https://github./ruinmessi/R
一、高效的训练 1、Large-batch training 使用大的batch size可能会减小训练过程（收敛的慢？我之前训练的时候挺喜欢用较大的batch size），即在相同的迭代次数下， 相较于使用小的batch size，使用较大的batch size会导致在验证集上精度下降。文中介绍了
Deformable conv赋予了CNN位置变换的能力，与普通卷积的对比如下。可以看到，在每个特征点上，会产生一个偏移，变成 不规则的卷积（感觉本质上，就是让CNN自己去学习感受野）。 思想于STN（Spatial Transform Network），但它们有着巨大的差别： STN得到的是全
一、高效网络简介 图片https://zhuanlan.zhihu./p/53175018，高效网络的高效，直接的衡量目标是速度。 二、高效网络一览 CNN设计一般都是通过堆block的形式，下面只讨论每个模型的block 1、Mobilenet 首次使用了分离卷积(dw+pw，加速的核心
1、MobilenetV3是通过NAS得到的，结合了v1,v2和MnasNet的结构，包括v1的dw，v2的linear bottleneck和逆残差结构，MnasNet的se结构(接在部分linear bottleneck之后)。2、在之前的网络结构中，最后会用一个1*1来提高特征图数目（960->1280），为了提速，将这个1*1层移至average pooling之后，如下图3、在初
围绕四个点构造模型1、扩大感受野 使用5*5卷积替换3*3来扩大感受野，在深度分离卷积中，pw与dw计算比为d/k^2，d为输出通道，k为dw的卷积核，即增加dw的卷积核所带来的计算并不大。 在MobilenetV2中，使用了逆残差结构（两头小，中间大），但blazeblock中又回到了两头大、中间小的结构，理由是“To accommodate for the fewer number
深度分离卷积一般使用的是3*3的卷积核，这篇论文在深度分离卷积时使用了多种卷积核，并验证了其有效性 1、大的卷积核能提高模型的准确性，但也不是越大越好。如下，k=9时，精度逐渐降低 2、 mixConv及其实现 挺简洁的，可直接替换深度分离卷积 3、有效性 4、MixConv设计 （1）G 的选择
，简单记录一下几个实验部分。1、位置信息来自预训练模型 作者分别用预训练权重的vgg,resnet和posenet来对比，发现用了预训练权重的vgg和resnet提取的位置信息更准确。但这个实验我觉得设计的不合理，真正对比实验应该设计的是，用预训练权重的vgg，resnet对比随机初始化的vgg,resnet，而不是和单层的posnet来对比2、大的卷积核和更多的层数，能获得更准确的位置信息
当前针对目标检测算法有两种思路（暂时不考虑anchor free），其中一种是轻量化two-stage检测算法（如thundernet），另外一种就是提高one-stage算法的精度，如使用更好的特征（特征融合、多尺度特征FPN等），包括基于SSD改进的refinedet，基于FPN的RetinaNet等等。AlignDet就是在RefinDet的基础上的进一步工作，它指出了one-stage和t
一、paper&&github二、本文压缩方法 1、channel的裁剪原则 使用BN中的gamma作为标准，如果该值较小，即认为其不重要，则该channel即被删减。 2、损失函数 网络中gamma值较小的可能不多，因此在训练的时候将其作为一个惩罚项，来加入损失函数。 其中g取的是smooth_l
2019年的目标检测属于anchor free的一年，各类anchor free方法井喷，各种方式都有。在我看来，anchor free一定要有速度优势（移动端部署），否则我干嘛不直接使用two-stage呢(像cornernet在GPU下速度只有5fps)？目前anchor free分了两类，一类是预测关键点的，通常包括top-left, bottom-right,center point 等
在移动端部署检测模型时，因为速度原因，通常采用的是轻量级的backbone+one stage detector的方式。我之前在项目里就是采用的就是这种方案，但精度始终没法和two-stage相比，而two-stage又太慢，之前测过速度之后就没再考虑在移动端采用two-staget方案，而thundernet重新给了我在移动端采用two-stage的希望。先来看下网络的整体结构图，主要分成了ba
扩展网络有三个维度，包括width（channels数）、depth(网络深度)、resolution输入分辨率。作者通过实验表明，只改变其中一个维度，acc的提升很容易就饱和了，如何同时改变三个维度，使得acc和flops达到一个trade-off，就是本文的内容。 作者提出的一种缩放方法。网络深度增加一倍，flops变为之前的两倍；width或者resolution增加一倍，flops变为之
Efficientnet的延续，提出了更快、更容易的多尺度融合BiFPN；提出了在backbone，feature network，box/class prediction上，统一扩展模型的方式（仍然是调整width, resolution, depth）。1、BiFPN 当前的一些FPN变种，f为作者提出的bifpn，其实是PANet的简单变种。 特征加权融合
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
