l2181265的博客

DCN论文的贡献是提出Deformable Conv。论文创新：1、Deformable Conv2、Deformable ROI pooling背景深度学习对图像处理往往需要大量的数据集训练，是因为我们需要让网络学习到所有可能存在的情况，所以我们采用了数据增强的方法，如旋转、左右移、上下移、裁剪等操作。但是针对图像目标尺度、姿态、角度、局部的变形等情况，基于经典卷积固定的几何结构，我...

SIFT，即尺度不变特征转换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 该方法于1999年由David Lowe 首先发表于计算机视觉国际会议（International Conference on Computer Vision，ICCV），2004年再...

COWC遥感数据集

PASCAL VOC，全称是Pattern Analysis Statistical Modelling and Computational Learning，Visual Object Classes，是一套用于评估图像分类、检测、分割和人体姿势动作等的数据集，被用到最多的是物体检测。PASCAL VOC包含4大类共20个细分类别，分别是：人动物（鸟、猫、牛、狗、马、羊）交通工具（飞机、自...

参考：http://www.cnblogs.com/liekkas0626/p/5219244.htmlfunction pickLocate = nms(boxes, overlap) % Non-maximum suppression.% In object detect algorithm, select high score detections and skip windows...

R-CNN缺点：训练分为多个阶段。首先使用log损失函数对ConvNet候选区域进行微调。然后，将SVM与CNN相结合。这些SVM作为对象检测器，代替了通过微调学习的softmax分类器。在第三个训练阶段，学习bbox回归函数。训练浪费大量内存空间和训练时间。每个候选区域都要经过CNN提取特征，然后前向传播。测试比较慢。SPPNet缺点：为了克服R-CNN在CNN过程中重复计算造成...

SPPNet（Spatial Pyramid Pooling）1、网络架构R-CNN:Image → crop/warp → conv → fc → outputSPPNet：Image → conv → SPP → fc → output如上图，crop/warp把图像变换成固定大小，会导致图像不必要的失真，造成精度损失。CNN主要由conv和fc层组成，卷积层以滑动窗口...

bbox（Bounding Box）是包含物体的最小矩形，该物体应在最小矩形内部。其中，x、y代表着bbox左上角坐标（或其他固定点坐标），对应的w、h表示bbox的宽和高。R-CNN（Regions with CNN features）模型步骤：输入图像找出候选区域通过CNN提取特征向量训练分类器（1）输入图像（2）候选区域selective search 选择性搜索...

无论滑窗法还是Selective Search，这种找出可能包含物体的区域的方法，统称为Region Proposal。滑窗法，首先需要一个训练好的分类器，然后把图像按照一定间隔和不同的大小分成一个个窗口，在这些窗口执行分类器，如果得到较高的分类分数，就认为是检测到了物体。每个窗口都执行一编分类器，再对得到的分数做一些后处理如非极大值抑制等，最后就得到物体类别和对应区域。Selective S...