论文题目：R-FCN: Object Detection via Region-based Fully Convolutional Networks 论文链接：论文链接 论文代码：Caffe版本链接地址；Python版本链接地址；Deformable R-FCN版本链接地址; 一、R-FCN初探 1
论文地变化的建模存在天然缺陷，这是由于网络固定的位置结构。该论文提出两个新的模块来增强CNNs
如今准确率最高的物体检测框架均是基于R-CNN提出的两步方案，分类器需要处理的待测物体位置是稀疏分布的。与之相反，单步方案需要处理的候选位置规则且密集分布，因此更加简单快速，但是在准确率上却不及前者。我们发现密集分布检测器在训练过程中遇到的极端不平衡的前景背景样本数量是造成这一结果的核心因素。为此提出了将分类较好样本的loss权重降低的方案，名为Focal Loss。背景R-CNN类检测器在第一个
文章标题：《Weighted Boxes Fusion: combining boxes for object detection models》文章PDF地址：https://arxiv.org/abs/1910.13302GitHub地址：https://github.com/ZFTurbo/Weighted-Boxes-Fusion简介作者认为，在目标检测任务中，当实时性要求不强时，集成多个
论文题目：EfficientDet: Scalable and Efficient Object Detection 文献地址：https://arxiv.org/pdf/1911.09070v1.pdf (非官方)源码地址： (1) Pytorch版：https://github.com/toan
Copyright © 2005-2024 51CTO.COM 版权所有 京ICP证060544号
