给时光以生命

Fsod

自主收款机项目总结

2019 10月份看的

2019 10月份看的检测的文章，对backbone的探索

文章目录1.需要输入的参数：sigma、阈值k、min(component的最小size)、输入、输出(存放的变量)。2.生成G=(V，E)3.合并component4.对component进行颜色填充本文并没有将全部的代码放上来，只放了些觉得关键的部分。论文PDF和c++代码下载处1.需要输入的参数：sigma、阈值k、min(component的最小size)、输入、输出(存放的变量...

文章目录Abstract1.Introduction2. Related Work3 .Graph—Based Segmentation3.1 Pairwise Region Comparison Predicate4.The Algorithm and Its Properties4.1 Implementation Issues and Running Time5.Results ofr Gr...

文章链接

方法简介：该论文的方法分成了两步：stage-1：自底而上地生成3D proposals。从已经分为前景点和背景点的点云中直接生成一些高质量的3D proposals。（之前的方法都是从 RGB图 或 将点云映射到俯瞰图 或 映射成voxels等）stage-2：阶段2的子网络将每个proposals的池化的点转换到正规坐标系，从而学习更好的局部空间特征，然后和阶段1学到的每个点的全局语义...

SSD框架：1.在几个不同feature map的scales的每个位置上，用卷积的方式评估一些不同aspect ratios的默认框。2.对每个默认框，预测box外形的偏移和全部类别的置信度。3.在训练的时候，首先将gt-box和默认框匹配，匹配上的是正样本，其他的是负样本。3.模型的loss是每个定位loss的和。（回归是Smooth L1，置信度是Softmax）2.1 Model...

Abstract基于区域的目标检测可以推断一个图片中的一个或多个范畴的目标区域。最近CNNs方法很流行而且还能提供一些不错的检测结果。但是，由于遮挡和不准确的区域推荐，导致目标CNN特征的分辨率很低，导致检测精度被降级。这篇文章中，作者提出一种区域分解和装配检测器(R-DAD)来进行更精准的目标检测。在R-DAD中，首先，将目标区域分解成多个小区域。为了共同捕捉对象的整个外观和部分细节，提取全...

文章目录AbstractIntroductionRelated WorkClassical Object DetectorsTwo-Stage ApproachOne-Stage ApproachNetwork ArchitectureTransfer Connection BlockTwo-Step Cascaded RegressionNegative Anchor FilteringTrai...