- 博客(6)
- 收藏
- 关注
RSS订阅原创 SLICING AIDED HYPER INFERENCE AND FINE-TUNING FOR SMALL OBJECT DETECTION--小物体检测论文研读
此外，使用切片辅助和微调造成了一个额外的14.5%AP的提升在小物体检测中，在切片中采用25%的重叠提高了2.9%AP。在NMS阶段，比预定义的匹配阈值Tm有更高的IoU比率的boxes会被匹配，每次匹配，去除检测概率低于Td的检测。一起在微调的过程中被使用。值得注意的是，随着patch size的减少，更大的目标可能不能在一个切片和相交区域内适应，这可能会导致对大物体的检测性能较差。在这篇论文中，我们提出了一个在保持较高存储器利用的同时，对在高分辨图像中检测小物体基于切片辅助推测和微调的方法。
2025-05-05 15:16:05
691
原创 UFPMP-Det论文研读
我们先在所有的已有的bbx集合Bc中挑选出来一个最小的框A，然后Bc-A，我们计算出能将A和集合Bc中任意一个bbx包裹的最小框C，如果A与B的面积之和大于C，说明A与B的重叠度比较大，我们就让A=C，如此往复便利所有的B，然后将A加入Br，如此往复直到Bc变为空我们得到一个最终的前景区域集合Br。当航拍图片被一个粗略的detector提取出很多前景子区域时，UFP引入了三个重要步骤，：第一，将前景子区域合并为很多聚类区域，第二，小物体的聚类区域被适应性放大，第三，调整过的聚类区域被统一打包。
2025-04-24 22:31:32
670
原创 YOLC：密集小物体检测-论文解读
为了更好的提高网络的表现，采用GWD-based loss functions代替了原本的CenterNet的loss。这些工作可以高效的提高小物体的的检测表现，但是他们的训练的需要更多的计算资源。区别于传统的检测器进行特征提取时的采样位置确定，本文提出了利用卷积网络平行计算偏移和粗略的bbx，我们将偏移量限制在bbx之内，这时我们的采样位置变为：中心+ 学到的偏移量，然后利用一个可变形的卷积层预测bbx。CenterNet将每一个物体建模成了在他的bbx中的一个点，表现为在heatmap中的一个高斯团。
2025-04-20 21:24:11
1909
原创 《Cascaded Zoom-in Detector for High Resolution Aerial Images》论文研读
先明确一个点：这个方法并没有添加任何的组块，也就是没有我们常见的A+B+C组合，他仅仅是对包含了很多小物体的模块进行了crop，然后用boundingbox将这个含有很多小物体的区域进行了包围形成一个新的class，然后将这个新的class在训练的时候放到high-resolution进行分析。在第二阶段将筛选出的density crop进行了upscale，相当于提高了这块区域的分辨率，使特征更加清晰，然后，将这个density crop再放入这个检测器中检测，最后，将这个坐标回归到原图。
2025-04-16 17:05:02
836
原创 EDNet论文详解--有关无人机航拍目标检测模型
思考：本文设计了一个新的backbone去提取特征，新的模块相比于传统的backbone来说进行了轻量化的设计，同时通过将Head的检测的像素点拉高，进而获取更多的信息。最后对loss的设计使模型在训练时更加关注困难样本。beta的比值（当前的样本的loss与平均loss的比值）说明了这个样本是一个困难样本还是简易样本，当beta越大意味着r越大，因此就能够提高模型对困难样本的关注。CSS作为一种新的拼接方式，他先将SPPF的输出跨板块进行拼接，然后将PSA的输出进行上采样，增强了对特征的多尺度的提取。
2025-04-11 14:36:55
1974
原创 Attention（注意力机制）通俗理解
假设我们有一个简单的句子：“猫喜欢追逐老鼠”。如果我们要对“喜欢”这个词进行编码，一个简单的方法是只看这个词本身，但这样会忽略它的上下文。“喜欢”的对象是“猫”，而被“喜欢”的是“追逐老鼠”。在这里，“猫”和“追逐老鼠”就是“喜欢”的上下文，而注意力机制能够帮助模型更好地捕获这种上下文关系。生活中，我们在了解一个事物中，都会先了解他的重点，这其实就是我们把注意力放在在了重点上，深度学习模型也是如此，例如在处理长句子或者是一大幅图片时，当我们将更多的计算聚焦在重要的内容上时，我们就能够省掉大量计算。
2025-03-28 14:04:02
2133
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