- 博客(6)
- 收藏
- 关注
RSS订阅原创 “SPP-net”论文笔记
文章目录1. Background2. SPP-net Architecture3 Training(单一尺寸训练)4 Testing总结1. Background在fast R-CNN之前，R-CNN模型暴露出两个问题：（1）R-CNN必须要求输入的图片尺寸固定（2）R-CNN对每一个候选区域均进行卷积操作，时间花费大。由此，提出SPPnet的改进模型。2. SPP-net Architecture输入：任意尺寸大小的图片和一组候选区域（RoIs）a. 输入通过CNN网络得到fe
2020-12-09 22:09:23
244
原创 OverFeat论文笔记
文章目录1. Background2. Classification2.1 使用AlexNet预训练模型2.2 Multi-scale classification(OverFeat 使用)2.3 FCN的思想2.4 Training & Testing3 Localization总结1. BackgroundOverFeat是一种特征提取器，具有以下创新之处：（1）Bounding Box位置框回归采用累积的方法而不是非极大值抑制以增大检测置信度（2）运用多尺度和滑动窗口的方法（3）
2020-12-09 22:03:41
177
原创 Faster R-CNN论文笔记
“Faster R-CNN”文章目录"Faster R-CNN"1. Background2. Faster R-CNN Architecture2.1 RPN2.2 Loss Function2.3 Training RPN2.4 RPN + Fast R-CNN共享特征的训练3. Performance总结1. BackgroundFast R-CNN和SPP-net的大部分时间仍浪费在候选区域推荐上（Selective Search），无法满足实时应用，没有真正实现端到端训练测试。故而提出
2020-12-09 21:48:44
179
原创 【Fast R-CNN】“Fast R-CNN”论文阅读笔记
文章目录1. Background2. Fast R-CNN architecture3 Training3.1 预训练模型初始化3.2 多任务损失函数3.3 小批量抽样3.4 Back-propagation through RoI pooling layers4 Testing5 Conclusion6 引用关键文献整理1. BackgroundR-CNN暴露出很多问题：（1）R-CNN将每个RP（Region Proposal）送入CNN中进行特征提取，导致RP之间大量重叠，特征提取冗余。
2020-11-28 12:24:00
204
原创 【R-CNN】“Rich features hierarchies for object detection”论文阅读笔记
【R-CNN】“Rich features hierarchies for object detection”文章目录1、Background2、Module design2.1 Region proposals2.2 Feature Extraction3 Training3.1 Supervised per-training3.2 Domain-specific fine-tuning 特定领域的参数调优3.3 Object category classifier 训练SVM3.4 训练Boundi
2020-11-25 20:33:22
132
原创 深度学习目标检测技术的综述笔记
基于深度学习的目标检测技术的研究综述-阅读笔记文章目录一、传统目标检测：流程:常用传统目标检测方法：二、深度学习目标检测三、“双阶段”目标检测算法1 “Rich feature hierarchies for object detection and semantic segmentation”-20142 “Spatial pyramid pooling in deep convolutional networks for visual recognition”-20143 “Fast R-CNN”-
2020-11-24 15:22:15
536
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人