• 相关博文
  • 最新资讯
加载中...
  • 万字长文综述目标检测领域,你要的都在这里

    目标检测是计算机视觉中的一个重要问题,近年来传统检测方法已难以满足人们对目标检测效果的要求,随着深度学习在图像分类任务上取得巨大进展,基于深度学习的目标检测算法逐渐成为主流。

    2020.06.09 0
  • 脉冲神经网络在目标检测的首次尝试,性能堪比CNN | AAAI 2020

    论文打算使用DNN-to-SNN转化方法将SNN应用到更复杂的目标检测领域中,图片分类只需要选择分类就好,而目标检测则需要神经网络进行高度准确的数字预测,难很多。在深入分析后,论文实现YOLO的转换主要面临以下两个问题:

    2020.03.17 0
  • 6个步骤,告诉你如何用树莓派和机器学习DIY一个车牌识别器!

    几个月前,作者开始考虑让汽车能够具备检测和识别物体的能力。他很喜欢这个主意,因为已经见识到了特斯拉的能力,并且虽然不能立即购买特斯拉(Model 3看起来越来越有吸引力了),但他认为会尽力实现自己的梦想。

    2020.03.04 0
  • MatrixNets:可替代FPN,用于目标检测的可感知比例和长宽比的网络结构

    本文介绍了一种新的网络MatrixNets(xNets),它是新的用于目标检测的深层结构。xNets将具有相似大小和高宽比的目标映射到专门的层中,从而使xNets是一种可感知比例和长宽比的网络结构。作者利用xNets来增强单阶段(One-stage)目标检测框架。

    2020.01.16 0
  • AttoNets,一种新型的更快、更高效边缘计算神经网络

    在物体检测中的实验结果表明, 在使用更少的参数以及更低的计算花销的情况下,AttoNets 的效率与现有最优模型相当,并在准确率指标上大幅超越现有模型(与 MobileNet-V1相比,最小的 AttoNet 的准确率提升约 1.8%,使用的乘-加操作数和参数量减小了10倍)。另外,本文也在实例分割和物体探测应用中检测了 AttoNets 的效果,并发现与基于 ResNet-50 的 Mask R-Cnn 相比,通过使用基于 AttoNet的 Mask R-Cnn 网络,参数量和计算花销得到了大幅度降低(乘-加操作减少5倍,参数量减少2倍)。

  • 目标检测的渐进域自适应,优于最新SOTA方法

    本文中,作者提出了用中间域来连接不同域,并逐步解决更容易的自适应子任务。方法是通过转换源图像以模仿目标域中的图像来构造此中间域。为了解决域转移(domain-shift)问题,作者采用对抗学习在特征级去调整分布。另外,还应用了加权任务损失函数去处理中间域中的图像质量不平衡问题。实验结果表明,在目标域的效果上,本文的方法优于最新(SOTA)方法。

    2019.10.30 0
  • Facebook开源模型可解释库Captum,这次改模型有依据了

    前脚 TF 2.0 刚发布,在 PyTorch 开发者大会首日也携 PyTorch1.3 版本而来。除此之外,还发布了隐私保护机器学习框架 CrypTen、模型可解释库 Captum 和下一代目标检测/目标分割研究平台 Detectron2。这篇文章介绍的是Facebook 在深度学习的可解释性问题上发布的新成果——Captum。

    2019.10.14 0
  • 值得收藏!基于激光雷达数据的深度学习目标检测方法大合集(上)

    将全卷积网络技术移植到三维距离扫描数据检测任务。具体地,根据Velodyne 64E激光雷达的距离数据,将场景设置为车辆检测任务。在2D点图呈现数据,并使用单个2D端到端全卷积网络同时预测目标置信度和边框。通过设计的边框编码,使用2D卷积网络也能够预测完整的3D边框。

  • 论文推荐 | 目标检测中不平衡问题算法综述

    推荐一篇前几天新出的投向TPAMI的论文:Imbalance Problems in Object Detection: A Review,作者详细考察了目标检测中的不平衡问题(注意不仅仅是样本中的不平衡问题)及其解决方案,是目标检测领域目前最新的也是非常独特的综述。

    2019.09.17 0
  • 边界框的回归策略搞不懂?算法太多分不清?看这篇就够了

    目标检测包括目标分类和目标定位 2 个任务,目标定位一般是用一个矩形的边界框来框出物体所在的位置,关于边界框的回归策略,不同算法其回归方法不一。本文主要讲述:1.无 Anchor 的目标检测算法:YOLOv1,CenterNet,CornerNet 的边框回归策略;2.有 Anchor 的目标检测算法:SSD,YOLOv2,Faster R-CNN 的边框回归策略。

    2019.09.05 0
  • 继往开来!目标检测二十年技术综述

    几天前,arXiv新出一篇目标检测文献《Object Detection in 20 Years: A Survey》对该领域20年来出现的技术进行了综述,这是一篇投向PAMI的论文,作者们review了400+篇论文,总结了目标检测发展的里程碑算法和state-of-the-art,并且难能可贵的对算法流程各个技术模块的演进也进行了说明,还深入到目标检测的特定领域如人脸检测、行人检测等进行了总结,最后列举了未来可能的发展方向。

    2019.06.17 0
  • 一根烟上热搜,先让AI看看你的肺

    对肺结节的诊断属于一种特殊的分类/检测任务,基于深度学习的图像分类和目标检测算法被广泛地应用在肺结节检测中。当前业界比较常用的是采用预检测+精检测的诊断方式来进行肺结节的检测。

    2019.06.03 0
  • 南开大学提出目标检测新Backbone网络模块:Res2Net

    在许多视觉任务中,多尺度的表示特征是非常重要的。最新的研究在不断的提升着 backbone 网络的多尺度表达能力,在多个任务上提高了算法性能。然而,大多数现有的深度学习方法是通过不同层的方式来表达多尺度特征。作者提出了一种新的卷积网络构造方式 Res2Net,通过在单个残差块里面构建层次化的连接实现。Res2Net 是在粒度级别上来表示多尺度特征并且增加了每层网络的感受野范围。

  • 大疆、港科大联手!双目3D目标检测实验效果大放送 | CVPR 2019

    2018 年在 3D 检测方面的文章层出不穷,也是各个公司无人驾驶或者机器人学部门关注的重点,包含了点云,点云图像融合,以及单目 3D 检测,但是在双目视觉方面的贡献还是比较少,自从 3DOP 之后。总体来说,图像的检测距离、图像的 density 以及 context 信息,在 3D检测中是不可或缺的一部分,因此作者在这篇文章中挖掘了双目视觉做 3D检测的的潜力。

    2019.03.25 0
  • CVPR2019 | 斯坦福学者提出GIoU,目标检测任务的新Loss

    本文是对 CVPR2019 论文《Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression》的解读,通过对 Loss 的修改提升检测任务的效果,觉得思路很棒。

  • 港中大、商汤开源目标检测工具包mmdetection,对比Detectron如何?

    近日,香港中文大学-商汤联合实验室开源了基于 PyTorch 的检测库——mmdetection。上个月,商汤和港中大组成的团队在 COCO 比赛的物体检测(Detection)项目中夺得冠军,而 mmdetection 正是基于 COCO 比赛时的 codebase 重构。

    2019.03.07 0