【论文学习】2016 CVPR 目标检测必读paper

最新推荐文章于 2020-06-20 11:02:15 发布
最新推荐文章于 2020-06-20 11:02:15 发布
阅读量537 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： 目标检测 CVPR
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/DL_wly/article/details/90200160
本文介绍了2016年CVPR大会上关于目标检测的重要论文，包括Deep Residual Learning、YOLO、LocNet、HyperNet和Inside-outside Net。这些研究在速度、精度和上下文信息利用方面进行了创新，对后续的目标检测算法如SSD有着深远影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1、Deep residual learning for image recognition

        何凯明的代表作之一，获得了16年的bestpaper。文章不是针对目标检测来做的，但其解决了一个最根本的问题：更有力的特征。检测时基于Faster R-CNN的目标检测框架，使用ResNet替换VGG16网络可以取得更好的检测结果。（实际上，使用ResNet网络代替ZF, VGG, GoogleNet等网络模型无论在图像分类、目标检测还是图像分割等任务上都可以大大提高识别的准确率）

 

2、You only look once: Unified, real-time object detection

        这是16年的oral。这个工作在识别效率方面的优势很明显，可以做到每秒钟45帧图像，处理视频是完全没有问题的。YOLO最大贡献是提出了一种全新的检测框架——直接利用CNN的全局特征预测每个位置可能的目标，相比于R-CNN系列的region proposal+CNN 这种两阶段的处理办法可以大大提高检测速度。今年新出来的SSD方法虽然在识别率上边有了很大的提升，但YOLO的先驱作用是显而易见的。

 

3、LocNet: Improving Localization Accuracy for Object Detection

        IoU参数在Pascal VOC中

最低0.47元/天 解锁文章

200万优质内容无限畅学
YOLO算法：关于目标检测算法的基本介绍（小白入门必读）
突然好想你
09-25 1965
目标检测算法是一种计算机视觉算法，用于在图像或视频中识别和定位特定的目标物体。本节课就给大家重点介绍下基于深度学习的目标检测算法！
目标跟踪领域经典论文解析
qq_48131648的博客
12-09 1722
目标跟踪是计算机视觉领域的一个重要研究方向，多年来涌现了许多经典的论文。以下是对 20 篇左右目标跟踪领域经典论文的分类介绍与详细讲解。
【论文学习】2017 CVPR 目标检测必读paper
Lingyun
05-14 514
1、Speed/accuracy trade-offs for modern convolutional object detectors 其主要考虑三种检测器（Faster RCNN,R-FCN,SSD）作为元结构，三种CNN网络（VGG，Inception，ResNet）作为特征提取器，变化其他参数如图像分辨率、proposals数量等，研究目标检测系统准确率与速度的权衡关系...
浅析"Sublabel-Accurate Relaxation of Nonconvex Energies" CVPR 2016 Best Paper Honorable Mention
何雷
11-10 1325
今天作了一个paper reading，感觉论文不错，马克一下~ CVPR 2016 Best Paper Honorable Mention "Sublabel-Accurate Relaxation of Nonconvex Energies" 研究视觉问题的同学都知道，视觉问题很多都是多标签的问题，在进行优化的时候，我们都可以把他们转化为能量函数的形式，由数据项和平滑项组成。这些能量
CVPR 2016目标检测
weixin_38387493的博客
01-25 407
2016年的CVPR会议目标检测（在这里讨论的是2D的目标检测，如图1所示）的方法主要是基于卷积神经网络的框架，代表性的工作有ResNet[1]（Kaiming He等）、YOLO[5]（Joseph Redmon等）、SSD、LocNet[7]（Spyros Gidaris等）、HyperNet[3]（Tao Kong等）、ION[2]（Sean Bell等）、G-CNN[6]（Mahyar N...
CVPR2016目标检测新进展
09-27 2715
知乎：  https://zhuanlan.zhihu.com/p/21533724 作者：孔巴巴 链接：https://zhuanlan.zhihu.com/p/21533724 来源：知乎 [1] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition. In CVPR 2016
【论文学习】2018 CVPR 目标检测必读paper
Lingyun
05-14 548
1、Cascade R-CNN Delving into High Quality Object Detection. Cascaded RCNN这篇文章的出发点非常有意思，是通过分析输入proposal和ground truth的IOU与检测模型采用的用于界定正负样本的IOU关系得到结论：当一个检测模型采用某个阈值（假设u=0.6）来界定正负样本时，那么当输入proposal的...
Matlab集成C代码的深度学习目标检测论文汇总
本文档提供了从2014年至今，关于使用深度学习技术进行目标检测的论文清单，并且强调了Matlab集成C代码在这一过程中的重要性。 在深入理解这些论文之前，我们首先需要明确几个关键概念： 1. 深度学习（Deep ...
深度学习目标检测最全最新的方法paper和代码
静静地玛尼石
10-29 7339
Jump to... LeaderboardPapers R-CNNFast R-CNNFaster R-CNNMultiBoxSPP-NetDeepID-NetNoCDeepBoxMR-CNNYOLOYOLOv2AttentionNetDenseBoxSSDDSSDInside-Outside Net (ION)G-CNNHyperNetMultiPathNetCRAFTOHEM
Inside-OutsideNet
冷夏的专栏
03-12 2743
Inside-OutsideNet: DetectingObjectsinContextwithSkipPoolingand RecurrentNeuralNetworks 思路清楚，select search 方法提取候选框，然后提取不同层的信息，特别注意的是最后一层之前用RCNN提取上下文信息。 众所周知，语境和多尺度表征对于准确的视觉识别非常重要。本文介绍了一种利用感兴趣区域内外信息的内-外...
多尺度R-CNN(2): Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural
Solomon1558的专栏
05-31 5469
CNN高层特征具有丰富的语义信息，低层特征具有较高空间分辨率，研究如何融合不同层之间的特征，是物体检测领域热门的方向。近期很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。     早融合: 先融合多层的特征，然后在融合后的特征上训练预测器。这类方法也被称为skip connection。 这
CVPR 历年 Best paper（1988-2020）汇总，持续更新~
不忘初心~
06-20 6614
CVPR 历年 Best paper（1988-2020）汇总，持续更新中~~
CVPR 2016 paper
slamer的专栏
07-15 9640
Deep Compositional Captioning: Describing Novel Object Categories Without Paired Training Data Lisa Anne Hendricks, Subhashini Venugopalan, Marcus Rohrbach, Raymond Mooney, Kate Saenk
2016CVPR目标检测论文简介
忧郁一休
10-24 3488
目标检测的指标：1）识别精度 2）识别效率 3）定位准确性CVPR2016专题：CVPR/ICCV目标检测最新论文2016年的CVPR目标检测（这里讨论的是2D的目标检测）的方法主要是 基于CNN的框架，代表性的工作有ResNet[1]（Kaiming He等）、 YOLO[5]（Joseph Redmon等）、 LocNet[7]（Spyros Gidaris等）、 HyperNet[
综述：计算机视觉中RNN应用于目标识别
热门推荐
yaoxingfu72的博客
07-03 1万+
深度学习在计算机视觉领域取得的巨大的发展，最近几年CNN一直是目前主流模型所采取的架构。最近半年RNN/LSTM应用在识别领域逐渐成为一种潮流，RNN在获取目标的上下文中较CNN有独特的优势。以下我们分析最近有关RNN做目标识别的相关文章。 1、Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recur
Object Detection论文清单
lien0906的专栏
08-23 4979
Jump to... LeaderboardPapers R-CNNFast R-CNNFaster R-CNNMultiBoxSPP-NetDeepID-NetNoCDeepBoxMR-CNNYOLOYOLOv2AttentionNetDenseBoxSSDDSSDInside-Outside Net (ION)G-CNNHyperNetMultiPathNetCRAFTOHEM
CornerNet: Detecting Objects as Paired Keypoints--------论文理解
ruoruojiaojiao的博客
04-19 586
参考博客：https://blog.youkuaiyun.com/u014380165/article/details/83032273 1. 提出该网络的动机 目前的目标检测大多数都是基于anchor boxes（锚框）的，如faster r-cnn，yolov2，yolov3等，但这一类检测有两个缺点： 一，我们需要一大堆锚框。因为检测器需要判断锚框和真实框是否很大程度的重叠，因此需要大量的锚框。这...
RoI pooling layer解读
xunan003的博客
01-21 2630
ROI pooling作用有两点： （1）根据输入image，将ROI映射到feature map对应位置，映射是根据image缩小的尺寸来的； （2）将得到的RoI映射在feature map上得到的RoI feature region输出统一大小的特征区域（由于区域提议得到的RoI大小和尺度比例不尽相同，无法输入FC层进行一维化操作）   ROI pooling layer具体操作  ...
Inside-Outside Net (ION)论文阅读理解
qq_35608277的博客
05-25 5608
在2016年提出的网络中，精度是最高的,超过Faster-RCNN\HyperNet\MRCNN. VOC2007, with a mAP of 79.2%, VOC 2012, with a mAP of 76.4%, COCO, with a mAP of 24.9%. 两个特色 1）Outside Net 所谓 Outside 是指 ROI 区域之外，也就是目标周围的 上下文...
2023cvpr目标检测论文
最新发布
05-04
### 2023 CVPR Conference Object Detection Papers 为了查找2023年CVPR会议中关于目标检测的论文，可以访问官方开放存取网站并筛选相关内容。具体来说，可以通过以下链接进入CVPR 2023的论文列表页面[^1]： - **CVPR Open Access**: [https://openaccess.thecvf.com/CVPR2023](https://openaccess.thecvf.com/CVPR2023) 在此页面上，可以根据关键词“object detection”或其他相关术语（如“instance segmentation”, “multi-object tracking”等）进行搜索，从而找到与目标检测相关的研究工作。 此外，还可以参考一些常用的工具和平台来获取最新的研究成果。例如，Papers with Code 提供了一个按主题分类的目标检测模型排行榜，并标注了对应的论文出处以及其实现代码[^1]。通过该站点可以直接定位到CVPR 2023的相关贡献。 以下是几个可能涉及目标检测方向的重要方法和技术趋势： - 基于Transformer架构改进的传统两阶段探测器（Two-stage Detectors），比如Faster R-CNN及其变种版本。 - 单阶段轻量化网络设计（Single-shot Detectors），例如YOLO系列、EfficientDet等新型高效算法。 - 多模态融合策略应用于复杂场景下的鲁棒性增强，特别是结合RGB图像与LiDAR点云信息的工作[^3]。 对于具体的某篇论文详情，则需手动查阅上述提到的在线资源库或者利用学术搜索引擎进一步挖掘感兴趣的内容。 ```python import requests from bs4 import BeautifulSoup def fetch_cvpr_papers(year="2023", keyword="object detection"): base_url = f"https://openaccess.thecvf.com/{year}" response = requests.get(base_url) soup = BeautifulSoup(response.text, 'html.parser') links = [] for a_tag in soup.find_all('a', href=True): title = a_tag.text.strip() if keyword.lower() in title.lower(): url = a_tag['href'] full_link = f"{base_url}/{url}" if not url.startswith("http") else url links.append((title, full_link)) return links[:5] papers_list = fetch_cvpr_papers() for idx, (paper_title, paper_url) in enumerate(papers_list, start=1): print(f"[{idx}] {paper_title}\nLink: {paper_url}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值