- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 论文RetinaNet ：Focal Loss for Dense object Detection阅读笔记
论文RetinaNet <>阅读笔记1.摘要迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们发现在密集探测器训练过程中遇到的极端前景 - 背景类不平衡是其中心原因。我们提出通过重塑标准交叉熵损失来解决这种类不平衡问题，从而降低分配
2020-05-29 15:58:43
487
原创 YOLOV4阅读笔记
摘要目前已经有许多方法可以提高卷积神经网络（CNN）的准确性，但需要在大型数据集上对这些方法的组合进行实际测试，并对结果进行理论证明。某些方法只针对某些模型、某些问题、或者仅在小型数据集上有效；而某些方法（例如批归一化和残差连接）适用于大多数模型，任务和数据集。我们假设此类通用功能包括加权残差连接（WRC），交叉阶段部分连接（CSP），交叉小批量标准化（CmBN），自对抗训练（SAT）和Mish激活。我们使用的新方法包括：WRC，CSP，CmBN，SAT，Mish激活，马赛克数据增强，CmBN，DropB
2020-05-22 19:24:48
378
原创 论文：Cascade R-CNN: Delving into High Quality Object Detection阅读笔记
摘要：在目标检测中，交并比(loU)阈值是用来定义正样本和负样本的。用低阈值，例如0.5，训练的目标探测器通常会产生噪声。然而，检测性能随着阈值的增加而下降。造成这一现象的主要原因有两个:a.训练过程中由于正样本指数性消失导致的过拟合;b.检测器最优的IoU与输入假设之间的推断时间不匹配。针对这些问题，提出了一种多级目标检测结构——级联R-CNN。它由一系列经过训练的检测器组成，这些检测器的...
2020-04-17 13:52:18
308
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人