目标检测
关注
分享
扫一扫
文章平均质量分 94
论文阅读中目标检测专栏
万里鹏程转瞬至
一名热爱深度学习算法实践的算法工程师，工作日长期活动在线，有项目研发技术问题均可私聊。
展开
-
项目快过：知识蒸馏 | 目标检测 |FGD | Focal and Global Knowledge Distillation for Detectors
公开时间：2022年3月9号项目地址：https://github.com/yzd-v/FGD论文地址：https://arxiv.org/pdf/2111.11837知识蒸馏已成功地应用于图像分类。然而，。本文指出，在目标检测中，教师和学生的特征在不同的领域有很大的差异，特别是在前景和背景上。如果我们平均地提取它们，。因此，我们。。由于我们的方法。我们在不同骨架的各种检测器上进行了实验，结果表明，该学生检测器取得了良好的mAP改进。原创 2024-12-01 21:43:30 · 1148 阅读 · 0 评论 -
论文解读：gdip-yolo | Gated Differentiable Image Processing for Object-Detection in Adverse Conditions
论文地址：https://arxiv.org/abs/2209.14922项目地址：https://github.com/Gatedip/GDIP-Yolo在恶劣的天气和照明条件下检测物体对于自动驾驶汽车的安全和持续运行至关重要，而且仍然是一个未解决的问题。我们提出了一个门控可微图像处理（GDIP）块，这是一个领域不可知的网络架构，它可以插入现有的目标检测网络（例如，Yolo），并端到端训练不利条件的图像，如在雾和低光照下捕获的图像。我们提出的GDIP块通过下游目标检测损失直接增强图像。原创 2024-01-17 22:36:26 · 2296 阅读 · 0 评论 -
论文阅读：YOLOV: Making Still Image Object Detectors Great at Video Object Detection
发表时间：2023年3月5日论文地址：https://arxiv.org/abs/2208.09686项目地址：https://github.com/YuHengsss/YOLOV视频物体检测（VID）具有挑战性，因为物体外观的高度变化以及一些帧的不同恶化。有利的信息是，与静止图像相比在视频的某一帧中检测，可以从其他帧中获得支持。因此，如何在不同的框架之间聚合特性是VID问题的关键。。本文提出了一个简单而有效的策略来解决上述问题，该问题会带来微量计算量，但使准确性有显著提高。原创 2023-11-15 22:56:36 · 1814 阅读 · 1 评论 -
论文解读：ia-yolo | Image-Adaptive YOLO for Object Detection in Adverse Weather Conditions
任务背景1、在恶劣天气条件下捕获的低质量图像中定位目标仍然具有挑战性2、在恶劣天气下拍摄的图像可以分解为干净的图像 及其 相应的特定天气的信息3、在恶劣天气下的图像质量下降，主要是由于特定天气信息与物体之间的相互作用，导致检测性能较差相关研究1、Huang、Le和Jaw（2020）采用了两个子网联合学习可见性增强和目标检测，通过共享特征提取层，降低了图像退化的影响。然而，在训练过程中，很难调整参数来平衡检测和恢复之间的权重；2、通过现有方法对图像进行预处理，如图像去雾（Hang等20原创 2023-08-23 23:29:03 · 5293 阅读 · 1 评论 -
论文解读：End-to-End Object Detection with Transformers
DETR提出了一种将对象检测视为集合预测问题，有效地消除了许多手工设计的组件的需要，如NMS或锚框生产机制，显式地编码了我们对任务的先验知识。新框架被称为检测transformer或DETR，其架构为transformer encoder-decoder，通过set-baseed global loss迫使模型的预测结果与真实框一一对应。给定一组固定的关于学习目标query小型集合，DETR直接对目标和全局图像上下文之间的关系进行推理，以直接并行输出最终的预测集。与许多其他现代原创 2023-06-23 00:07:24 · 1426 阅读 · 0 评论 -
论文解读：DETRs Beat YOLOs on Real-time Object Detection
2023年最强目标检测器re-detr论文的基本解读。前些年基于端到端transformer-based detectors（DETRs）取得了显著的性能。然而，DETRs的高计算成本的问题还没有得到有效的解决，这限制了它们的实际应用，并阻止了它们充分利用没有非最大抑制（NMS）后处理的好处。本文首先分析了现代实时目标检测器中NMS对推理速度的影响，并建立了一个端到端速度基准。为了避免NMS造成的推理延迟，我们提出了一种实时检测转换器（RT-DETR），这是我们所知的第一个实时端到端目标检测器。原创 2023-06-21 16:56:44 · 6116 阅读 · 1 评论 -
论文解读: PP-YOLOE: An evolved version of YOLO
论文地址：https://arxiv.org/pdf/2203.16250.pdf发表时间：2022PP-YOLOE基于PP-YOLOv2改进实现，其中PP-YOLOv2的整体架构包含了具有可变形卷积的ResNet50-vd的主干，使用带有SPP层和DropBlock的PAN做neck，以及轻量级的IoU感知头。在PPYOLOv2中，ReLU激活功能用于主干，而mish激活功能用于颈部。PP-YOLOv2只为每个GT对象分配一个锚定框。原创 2023-02-04 19:10:01 · 3397 阅读 · 0 评论 -
论文解读 TOOD: Task-aligned One-stage Object Detection
One-stage目标检测通常是通过优化目标分类和定位两个子任务来实现的，使用具有两个并行分支的头部，这可能导致两个任务之间的预测存在一定程度的空间错位。在这项工作中，我们提出了一个任务对齐的单阶段对象检测（TOOD），它以基于学习的方式明确地对齐了两个任务。首先，我们设计了一种新的任务对齐头部（T-Head），它在学习任务交互特征和任务特定特征之间提供了更好的平衡，并通过任务对齐预测器学习对齐的灵活性提高。其次，我们提出了。原创 2023-01-19 20:00:00 · 2500 阅读 · 3 评论 -
论文解读OTA: Optimal Transport Assignment for Object Detection
在目标检测中标签分配的最新进展主要寻求为每个GT对象独立定义正/负训练样本。在本文中，我们创新性地从全局的角度重新审视标签分配，并提出将分配程序制定为一个最优传输（OT）问题——优化理论中一个被充分研究的课题。具体来说，我们将每个需求方（锚框）和供应商（GT标签）的单位传输成本定义为他们的分类和回归损失加权之和。在公式化后，找到最好的分配方案即为最小传播成本解决最优传输方案，这可以使用Sinkhorn-Knopp迭代求解。在COCO中，一个使用最优传输分配（Optimal Transport Assignm原创 2023-01-13 15:27:08 · 1363 阅读 · 4 评论 -
论文阅读：Object detection at 200 Frames Per Second
在本文中，我们提出了一种高效和快速的目标检测器，可以处理数百帧每秒。为了实现这一目标，我们研究了目标检测框架的三个主要方面：网络架构、损失函数和训练数据（有标记和未标记）。为了获得紧凑的网络体系结构，我们在最近的工作基础上引入了各种改进，开发了一种计算量轻、具有合理性能的体系结构。为了进一步提高性能，在保持复杂性不变的同时，我们利用了蒸馏损失函数。利用蒸馏损失，我们将一个更准确的教师网络的知识转移到所提出的轻量级学生网络中。对于所提出的单级检测器pipeline，我们提出了各种创新的蒸馏效率：objectn翻译 2022-12-01 20:50:46 · 617 阅读 · 1 评论