Gavinmiaoc的博客

2020.04.18 小记近期一直在MOT算法研究，目前SOTA算法核心还是基于CenterTrack网络，而CenterTrack又是基于anchor-free式的CenterNet网络，CenterNet是继YOLO目标检测算法以来新创的目标检测派系，yolo系列都是anchor-based算法，因此着重研究了下CenterNet，其在相同速度下，CenterNet的精度比YOLOv3提高...

复工了，久违了。 目标跟踪一直是计算机视觉里无法回避的课题，无论是单目标跟踪SOT还是今天要讨论的多目标跟踪MOT，是视频理解里的重要组成部分。其任务一般包括单目标跟踪（SOT，Single Object Tracking），多目标跟踪（MOT，Multi-Object Tracking），视频目标分割（VOS，Video Object Segmentation）等。今天我们主要...

主页：https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html论文：https://arxiv.org/abs/1604.02878代码：官方matlab版、C++ caffe版第三方训练代码：tensorflow、mxnetMTCNN，恰如论文标题《Joint Face Detection and ...

注：2019年04月05日刚出炉的paperAbstract：我们提出了一个用于实时实例分割的简单全卷积模型，在单个Titan Xp上以33 fps在MS COCO上实现了29.8 mAP，这比以前的任何算法都要快得多。此外，我们只在一个GPU上训练后获得此结果。我们通过将实例分割分成两个并行子任务：（1）生成一组原型掩膜（prototype mask）；（2）预测每个实例的掩膜系数（mask...

YOLOv3-model-pruning用 YOLOv3 模型在一个开源的人手检测数据集oxford hand上做人手检测，并在此基础上做模型剪枝。对于该数据集，对 YOLOv3 进行 channel pruning 之后，模型的参数量、模型大小减少 80% ，FLOPs 降低 70%，前向推断的速度可以达到原来的 200%，同时可以保持 mAP 基本不变（这个效果只是针对该数据集的...

GPU版本编译如图，按照官网方式直接编译darknet，实际上默认是CPU版本，测试后，比较慢，如图：所以这里我们直接将其编译为GPU版本，需要更改以下几个地方：1. 更改Makefile前两行GPU和CUDNN的配置：GPU=1CUDNN=1（OPENCV 可以不修改，亲测可以，修改为1也行）2. 更改CUDA的路径48~51行，在"ifeq (...

最经典的跟踪算法莫过于卡尔曼老爷子在1960年提出的卡尔曼滤波器。在无人车领域，卡尔曼滤波器除了应用于障碍物跟踪外，也在车道线跟踪、障碍物预测以及定位等领域大展身手。工作原理简单来讲，卡尔曼滤波器就是根据上一时刻的状态，预测当前时刻的状态，将预测的状态与当前时刻的测量值进行加权，加权后的结果才认为是当前的实际状态，而不是仅仅听信当前的测量值。前提假设卡尔曼滤波器是基于在时域中离散...

研究徘徊检测算法已经有段时间了，是时候亮剑了。认识徘徊检测定义（文献二）：所谓徘徊就是运动人体在一个地方停留超过一段时间或者运动轨迹出现异常(在一个地方来回反复的走)。徘徊检测首先要利用混合高斯模型和背景差法来提取运动目标，得到运动物体的最小外接矩形轮廓，然后画出运动目标的运动轨迹，当目标出现徘徊行为时，自动产生报警信号。过程（文献一）：徘徊检测(与跟踪)算法实现的是...

本文以kears-yolov3做detector，以Kalman-Filter算法做tracker，进行多人物目标追踪，其应用常见于客流量统计，行人追踪检测，可延伸至Fall Detection,Loitering Detection徘徊检测等项目。自有数据集上,如何用keras最简单训练YOLOv3目标检测应用举例：这个可以看做多目标跟踪任务，图中追踪到三个行人，记录在视频左上方...

目标跟踪本文主要介绍cv2中的视频分析Camshift和Meanshift。目标：学习Meanshift算法和Camshift算法来寻找和追踪视频中的目标物体Meanshift算法：meanshift算法的原理很简单。假设你有一堆点集，例如直方图反向投影得到的点集。你还有一个小的窗口，这个窗口可能是圆形的，现在你可能要移动这个窗口到点集密度最大的区域当中。如下图：...

An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognitionpaper: CRNN翻译：CRNNConvolutional Recurrent Neural Network(CRNN)，华科白翔老师组的作品...

本文逐步介绍YOLO v1~v3的设计历程。Yolo：you only look once针对于two-stage目标检测算法普遍存在的运算速度慢的缺点，yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。通过这种方式，yolo可实现45帧...

 1. yolov3实现的idea Abstract我们给YOLO提供一些更新！ 我们做了一些小的设计更改以使其更好。 我们也训练了这个非常好的新网络。它比上次（YOLOv2）稍大一些，但更准确。它仍然很快，所以不用担心。在320×320 YOLOv3运行22.2ms，28.2 mAP，像SSD一样准确，但速度快三倍。 当我们看看以老的0.5 IOU mAP检测指标时，YOLOv3...

如题，虽然这个问题是经典目标跟踪算法，但事实上，可能我们并不需要那些曾经辉煌但已被拍在沙滩上的tracker(目标跟踪算法)，而是那些即将成为经典的，或者就目前来说最好用、速度和性能都看的过去tracker。我比较关注目标跟踪中的相关滤波方向，接下来我介绍下我所认识的目标跟踪，尤其是相关滤波类方法benchmark:https://github.com/foolwood/ben...

论文阅读：https://arxiv.org/abs/1506.01497源码地址https://github.com/kevinjliang/tf-Faster-RCNN论文翻译：点这里前言Fast-RCNN基本实现端对端（除了proposal阶段外），下一步自然就是要把proposal阶段也用CNN实现（放到GPU上）。这就出现了Faster-RCNN，一个完全end-to-e...

Fast R-CNNRoss Girshick Microsoft Research rbg@microsoft.compaper:Fast R-CNN导读Fast R-CNN在SPPNet的基础再跟进，进一步提升速度和准确率，提出了RoI层代替SPP层，实现了整个物体检测模型大部分网络的end-to-end，下面就来好好学习一下。老套路，现回顾一下： R-CNN ,SPP-netR-CNN和SP...

待更新............

paper:《Rich feature hierarchies for Accurate Object Detection and Segmentation 》

导读Mask R-CNN是ICCV 2017的best paper，彰显了机器学习计算机视觉领域在2017年的最新成果。在机器学习2017年的最新发展中，单任务的网络结构已经逐渐不再引人瞩目，取而代之的是集成，复杂，一石多鸟的多任务网络模型。Mask R-CNN就是典型的代表。本篇大作的一作是何凯明，在该篇论文发表的时候，何凯明已经去了FaceBook。Mask-RCNN 大体框架还是 F...