墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
432平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
https://mp.weixin.qq.com/s/trh23Bm9KlgV3Pz7H5NElw、
基于RPN和sliding window的anchor生成方式有两个缺点：（1）anchor的尺度和长宽比需要预先定义，针对不同类型的检测任务需要调整这些超参数，预先定义好的 anchor 形状不一定能满足极端大小或者长宽比悬殊的物体。(2)为了保证召回率，需要生成密集的anchor，引入过多负样本同时影响模型的速率。
在一般拍摄图像中，一般检测目标是不均匀分布且稀疏的。检测目标的尺度和图像内容、位置和几何形状相关。基于图像的先验知识，论文提出稀疏的anchor生成方式：首先生成可能包含目标的子区域中心位置，然后在图像不同位置确定尺度和长宽比，既稀疏，形状根据位置可变的 anchor。
论文提出了anchor的设计两个要求
alignment，为了用卷积特征作为anchor的表示，anchor的中心需要和特征图的像素中心比较好地对齐
consistency，不同位置(不同卷积层)对应的anchor的形状和大小应该一致。
目标检测的基本原理与现状分析
作者：禅与计算机程序设计艺术 1.简介 目标检测(Object Detection)是计算机视觉领域的一个重要方向。近年来，越来越多的人开始关注目标检测的最新进展，尤其是在边缘设备、智能手机和嵌入式系统等新兴领域，这些设备都具有相当高的计算能力，并且可以实现实时响应，因此，在这方面有着广阔的研究空间。
目标检测算法国内外研究现状综述
结合图1.1可以看到，近20年来目标检测领域的技术路线主要可分为两个阶段，即以传统检测方法为主的第一阶段，以及基于深度学习的第二阶段。为了完整阐述目标检测技术路线的演变过程，下面将按照这两个阶段以及第二阶段中的分类情况顺序介绍相关算法的特点。需要注意的是，在本节中出现的mAP(mean Average Precision)，即平均精度，均为mAP50。图1.1 目标检测算法近20年来发展路线图。
目标检测综述PPT-Object Detection in 20 Years: A Survey
Object Detection in 20 Years: A Survey的PPT版本，目标检测综述
目标检测研究现状梳理
单阶段和双阶段目标检测算法是两种常见的目标检测方法，它们在目标检测的处理流程和性能表现上有一些显著的区别。1.处理流程：单阶段目标检测算法：单阶段算法一次性完成目标的区域提取和分类。它通常通过密集的候选框或锚点来覆盖整个图像，并直接在这些框或锚点上进行分类和位置回归，以确定目标的位置和类别。双阶段目标检测算法：双阶段算法将目标检测过程分为两个阶段进行。第一阶段是生成候选框或锚点，在这一阶段，算法通过一些策略生成大量的候选框或锚点。
CVPR2018目标检测论文
CVPR2018目标检测 object detection 相关论文，最新论文
保姆级教程：用Fiddler+夜神模拟器搞定抖音App抓包（附SSL Pinning绕过实战）
本文提供了一套完整的移动端抓包解决方案，详细介绍了如何使用Fiddler和夜神模拟器进行抖音App抓包，并重点讲解了SSL Pinning绕过技术。通过Xposed框架和JustTrustMe模块的组合，实现高效抓包，适用于产品分析、竞品研究和安全测试等场景。
CVPR2019目标检测方法进展综述
本文转载自https://blog.youkuaiyun.com/SIGAI_优快云/article/details/88687747 目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代大多数目标检测器的框架是 two-stage，其中目标检测被定义为一个多任务学习问题：1）区分前景物体框与背景并为它们分配适当的类别标签；2）回归一组系数使得最...
共享最近邻相似度
共享最近邻相似度 第三十四次写博客，本人数学基础不是太好，如果有幸能得到读者指正，感激不尽，希望能借此机会向大家学习。本文作为基于图的聚类的第二部分，主要针对“共享最近邻相似度（Shared Nearest Neighbour）”以及使用该度量的“Jarvis-Patrick聚类”进行介绍。其他基于图的聚类算法的链接可以在这篇综述《基于图的聚类算法综述（基于图的聚类算法开篇）》的结尾找到。 S...
cvpr2019 目标检测算法_综述 | CVPR2019目标检测方法进展
原标题：综述 | CVPR2019目标检测方法进展本文转载自“SIGAI人工智能学习与实践平台”(ID：SIGAICN)目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代大多数目标检测器的框架是 two-stage，其中目标检测被定义为一个多任务学习问题：1)区分前景物体框与背景并为它们分配适当的类别标签；2)回归一组系数使得最大化检...
接上篇，记录一下【Unity 3D对博途PLCSIM的通讯】文章有点长~仔细看，很基础
本文参考链接：西门子PLC丨PROFINET通讯仿真（虚拟通讯）做了一些更详细的优化，本文使用的类库并非原作者使用的类库。 首先，昨天项目已经创建好了，这边也加了一个InputField和一个Button，可以实现简单的读取，ok开始。 放入准备好的通讯类库； 新建一个博途的项目，本次测试使用博途V15，测试环境为虚拟机，Unity运行在本地计算机，建立博途项目流程如下： 新建项目，右键项目-属性-保护-对勾，如图： 不得不说的是，仿真中加密的FB块是无法下载的哦~ 添加CPU...
四、ARDUINO UNO开发板介绍
（一）ARDUINO UNO开发板 Arduino生态中包括多种开发板、模块、扩展板。其中UNO R3是最适合入门且功能齐全使用量最多的Arduino开发板。以下就是Arduino UNO R3开发板的图片。 （二）ARDUINO UNO开发板基本构成 Arduino开发板设计得非常简洁，一块AVR单片机、一个晶振或振荡器和一个5V的直流电源。常见的开发板通过一条USB数据线连接计算机。Arduino有各式各样的开发板，其中最通用的是Ardui...
CVPR2019 | 斯坦福学者提出GIoU，目标检测任务的新Loss
作者 |Slumbers，毕业于中山大学，深度学习工程师，主要方向是目标检测，语义分割，GAN 责编 | Jane 人工智能的现状及今后发展趋势如何？ https://edu.youkuaiyun.com/topic/ai30?utm_source=csdn_bw 本文是对 CVPR2019 论文《Generalized Intersection over Union: A M...
博途PLC S7-1200/1500 ModbusTcp通信SCL代码篇（轮询）
博途PLC MODBUS TCP的详细讲解和注意事项，可以参看下面这篇博文，这里不在赘述。这篇作为SCL代码篇主要给出SCL语言下的轮训写法和注意事项。博途PLC1200/1500PLC ModbusTcp通信（轮询处理）_RXXW_Dor的博客-优快云博客。............
CVPR 2019 论文汇总（按方向划分，0514 更新中）-转载
作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文， cvpr2019 accepted papers title（官方分类） Github论...
国科大学习资料--人工智能原理与算法-2020年期末考试题解析（学长整理）
国科大学习资料–人工智能原理与算法-2020年期末考试题解析 张文生老师主讲 试卷共有6道题，题目不难，希望大家能取得好的成绩。 3.9 传教士和野人问题。三个传教士和三个野人在河的一岸，有一条能载一个人或者两个人的船。请设法使所有人都渡到河的另一岸，要求在任何地方野人数都不能多于传教士的人数。这个问题在AI领域中很有名，是因为它是第一个从分析的观点探讨问题形式化的论文的主题（Amarel，1968)。 a. 请对该问题进行详细形式化，只描述确保该问题求解所必需的特性。画出完整的状态空间图。 b. 应用合适
基于 STM32 的智能水表流量计设计与实现 —— 数据采集与远程传输
本文设计的基于 STM32 的智能水表流量计通过霍尔传感器实现流量采集，结合 STM32 的处理能力完成数据计算、存储与远程传输，具备计量精准、功耗低、可远程监控等特点。未来可优化方向：引入低功耗模式延长电池寿命，增加水质检测模块实现多参数监测，提升水务管理智能化水平。
cvpr2019 目标检测算法_CVPR2019 | 文本检测算法综述
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“”立刻申请入群~本文授权转自公众号小石头的码疯窝，请勿二次转载。作者按：最近工作上比较忙，五一假期回来后到今天只休息了一个周末，知乎上有些回复和私信也没及时回复，望理...
【图论】系列（七）图论的中心性度量方法及重要性评价指标
图论中的中心性度量方法是用来衡量图中各个节点（或顶点）相对重要性的指标。
转载：CVPR 2019 论文汇总（按方向划分，0611 更新中）
原贴地址：http://bbs.cvmart.net/topics/302/cvpr2019paper#12 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ cvpr2019 accepted papers...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
CVPR 2019超全论文合集新鲜出炉！| 资源帖
整理 | 夕颜出品 | AI科技大本营（ID: rgznai100）实不相瞒，这是一个资源福利帖——CVPR 2019 接收论文超全合集！此前关于 CVPR 2019 论...
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
CVPR 2019 论文汇总（按方向划分，0409 更新中）[转载]
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
大合集！CVPR2020论文分方向整理: 目标检测/图像分割/姿态估计等，附打包下载（持续更新）
CVPR2020在2月24日公布了所有接受论文ID，相关报道：1470篇！CVPR2020结果出炉，你中了吗？（附部分论文链接/开源代码/解读）。自论文ID公布以来，许多开发者都分享了自己的优秀工作。 从论文ID公布以来，极市一直在对CVPR进行实时跟进，本文是对80篇CVPR2020论文整理和分类，均有论文链接，部分含开源代码，涵盖的方向有：目标检测、目标跟踪、图像分割、人脸识别、姿态估计、三维...
一文看尽 27 篇 CVPR2021 2D 目标检测论文
作者丨二玖 编辑丨极市平台 6月25日，CVPR 2021 大会圆满结束，随着 CVPR 2021 最佳论文的出炉，本次大会所接收的论文也全部放出。CVPR2021 共接收了 7039 篇有效投稿，其中进入 Decision Making 阶段的共有约 5900 篇，最终有 1366 篇被接收为 poster，295 篇被接收为 oral，其中录用率大致为 23.6%，略高于去年的 22.1%。 CVPR 2021 全部接收论文列表： https://openaccess.thecvf.com/CVPR20
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1748
扫一扫
