论文阅读：Bottom-up Object Detection by Grouping Extreme and Center Points

最新推荐文章于 2024-12-12 01:00:00 发布
最新推荐文章于 2024-12-12 01:00:00 发布
阅读量711 收藏 1
点赞数
文章标签： 目标检测 object detection
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_37014750/article/details/88045966
版权

ExtremeNet

文章
  本文是继Corner-Net和Grid R-CNN之后第三篇用关键点检测做目标检测的。本文会检测每类物体的4个边缘关键点（最上，最下，最左，最右）以及1个中心点，然后根据边缘点和中心点的对齐关系找到每个物体的bbox。和CornerNet相比，本文的方法找的是物体边缘上的关键点，因此不会存在找bbox corner那种local visual evidence不足的情况。
  不管是RCNN系还是YOLO系检测器，他们都是top-down的手段，即就是对可能的图片中的矩形区域进行分类，不过RCNN系会用crop的矩形区域特征，而YOLO为了简洁则使用了anchor。不过这种方法的问题在于，矩形区域并不一定可以很好的表示有的物体，比如下面左图中人手中的网球拍。
一种组合（4个extreme点），属于同一个物体（这样似乎没有考虑中心点重合或者接近的情况？），过程如下图所示。

  本文提出的ExtremeNet这种方法则是bottom-up的，直接在图像中发现物体的关键点，然后group成bbox。具体来说，ExtremeNet接收图片作为输入，会为每一个类别输出4张multi-peak heatmaps，代表4个extreme点，同时每类还会有1张heatmap表示物体的中心点，从这个

最低0.47元/天 解锁文章
Kivee123
关注
线框检测：End-to-End Wireframe Parsing【方法解读】
sinat_39783664的博客
08-29 645
“线框检测”方法解读：End-to-End Wireframe Parsing
【论文笔记】：Bottom-up Object Detection by Grouping Extreme and Center Points
Activewaste
10-16 472
&Title: Bottom-up Object Detection by Grouping Extreme and Center Points 代码地址 &Summary 提出一种目标检测的新思路：首先通过标准的关键点估计网络来检测4个极值点和1个中心点，然后通过几何关系对提取到的关键点进行分组，一组极值点（5个）就对应一个检测结果。 使得目标检查问题转化成了一个纯粹的基于外...
HRNet-Bottom-Up-Pose-Estimation:这是“通过对热图引导的自适应关键点估计值进行排名来实现自下而上的人体姿势估计”的官方pytorch实施（https
04-01
通过对热图引导的自适应关键点估计值进行排序来实现自下而上的人体姿势估计 介绍 在这项工作中，我们提出了一些在改善关键点检测和分组（关键点回归）性能上很少或不深入研究的方案。 首先，我们利用关键点热图进行逐像素关键点回归，而不是将它们分开以改善关键点回归。 其次，我们采用像素级空间变换器网络来学习自适应表示，以处理比例和方向方差，从而进一步提高关键点回归质量。 最后，我们提出了一种联合形状和热值评分方案，以促进估计的姿势更可能是真实姿势。 结合权衡热图估计损失以平衡背景像素和关键点像素，从而提高热图估计质量，我们可以获得最先进的自下而上的人体姿势估计结果。 主要结果 不进行多尺度测试的COCO val2017结果 骨干 输入尺寸 #Params GFLOPs 美联社 Ap .5 AP .75 AP（男） AP（长） 增强现实 AR .5 AR .75 手臂） AR（左）
Bottom-up Object Detection by Grouping Extreme and Center Points 论文笔记
阿木寺的博客
02-16 1694
Summary：德克萨斯大学提出：One-stage目标检测最强算法 ExtremeNet Author：Amusi Date：2019-02-11 微信公众号：CVer GitHub：https://github.com/amusi/TensorFlow-From-Zero-To-One 原文链接：德克萨斯大学提出：One-stage目标检测最强算法 ExtremeNet 知乎：https://...
ExtremeNet:Bottom-up Object Detection by Grouping Extreme and Center Points
Bruce_0712的博客
10-18 430
论文：《Bottom-up Object Detection by Grouping Extreme and Center Points》 CVPR2019 论文地址：https://arxiv.org/pdf/1901.08043.pdf 代码：https://github.com/xingyizhou/ExtremeNet 原文链接：https://blog.youkuaiyun.com/chunfengyanyulove/article/details/99181340 ...
【目标检测】ExtremeNet:Bottom-up Object Detection by Grouping Extreme and Center Points
zhw864680355的博客
05-10 550
论文：《Bottom-up Object Detection by Grouping Extreme and Center Points》 CVPR2019 论文地址：https://arxiv.org/pdf/1901.08043.pdf 代码：https://github.com/xingyizhou/ExtremeNet 原文链接：https://blog.youkuaiyun.com/chunf...
Bottom-up Object Detection by Grouping Extreme and Center Points 解读
bupt_cy
05-25 996
本文（Exterme Net）是基于Corner Net做的，预测四个物体的极值点（上，下，左，右）和中心点，通过遍历各个极值点的组合（top, left, bottom, right），计算中心点是否被检测到，以此确定物体位置的方法。方法比较直观，相对Corner Net的优点是物体的极值点在物体上，更能够代表物体信息，而且Exterme Net不包含embedding部分，直接通过预...
【ExtremeNet】: Bottom-up Object Detection by Grouping Extreme and Center Points
OneCoder的博客
03-03 999
2019年的论文 文章目录概述细节ResultsConclusion 概述 要解决的问题 针对Anchor问题来进行思考的设计 采用的方法 One stage 仿CornerNet，但是CornerNet是使用的 左上角和右下角两个点检测，而本论文是对top, left, bottom, right四个极端点，再加上一个center点来进行检测。 借鉴了DEXTR的极端点方法。 ...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
【论文阅读】【二维目标检测】Anchor Free的2D Object Detection的方法总结
麒麒哈尔的博客
09-02 1701
目录Anchor Free 想要解决的问题早期探索DenseBoxYOLOv1cornercenter3D Object Detection相关博客： Anchor Free的Object Detection的多个方法被提出来，我最近也是集中地看了几篇Anchor Free的文章，文章来源是奇点汽车美研中心首席科学家兼总裁黄浴先生的的一篇总结。这篇文章中罗列Anchor Free的一些方法，但比较...
论文阅读笔记五十六：（ExtremeNet）Bottom-up Object Detection by Grouping Extreme and Center Points（CVPR2019）...
weixin_34116110的博客
05-01 290
论文原址：https://arxiv.org/abs/1901.08043 github: https://github.com/xingyizhou/ExtremeNet 摘要 本文利用一个关键点检测网络来检测目标物的最左边，最右边，顶部，底部及目标物中心五个点。如果这几个点在几何空间上对齐，则生成一个边界框。目标检测进而演变为基于外形的关键点检测问题，不需要进...
Anchor-free系列——Bottom-up Object Detection by Grouping Extreme and Center Points
weixin_45963617的博客
07-09 307
1 Abstract 随着深度学习的发展，目标检测问题已经从一个由下到上的问题转变为一个由上到下的问题。（下文有详细介绍）当前最先进的目标检测算法首先枚举密集的目标可能存在的位置，然后对每一个位置分类判断是否存在目标，是前景还是背景。在本文中，作者认为，从下到上的方法仍然能够取得很好的性能。利用关键点预测网络预测四个极值点（最顶部、最左侧、最底部、最右侧）和一个中心点共五个关键点。如果五个关键点是几何对齐的，我们将它们分组到一个bounding box中，那么，目标检测问题就转化为一个纯的关键点估计问题，而
Bottom-up Object Detection by Grouping Extreme and Center Points
qq_38333323的博客
08-27 186
介绍 检测目标的四个极值点和一个中心点，然后通过几何关系进行暴力匹配，将四个极值点分组，开销为O(n4)。该方法相较于CornerNet的优点：1、CornerNet检测左上和右下角点，该两个角点一般在物体之外，没有外观特征不容易检测，极值点检测落在物体上有强烈的外观特征。2、关键点分组采用几何分组，完全基于外观。 注意 数据集标注了极值点 Edge aggregation：极值点进行聚合响应 对...
Bottom-up Object Detection by Grouping Extreme and Center Points——自底向上通过分组成对极点和中心点进行目标检测
Together_CZ的博客
12-12 839
Bottom-up Object Detection by Grouping Extreme and Center Points——自底向上通过分组成对极点和中心点进行目标检测
目标检测论文阅读笔记：《Bottom-up Object Detection by Grouping Extreme and Center Points》
weixin_42075898的博客
05-09 437
1. 概述 本篇论文提出一个称之为ExtremeNet的目标检测网络。不同于RCNN系列等在proposal基础上进行边框回归得到检测结果的过程，该网路预测目标的极点坐标（最上、最下、最左、最右）和中心坐标，通过对极点坐标和中心坐标的后处理得到最终的检测结果，比较新颖。 这篇论文基于HourglassNet（人体关键点检测网络），输出各个目标的极点坐标，又可将极点坐标作为Deep Extreme Cut（DEXTR，基于极点坐标的实力分割网络）的输入，实现实例分割。 2. 网络框架及实现细节 2.1 网
论文笔记：Bottom-up Object Detection by Grouping Extreme and Center Points (CVPR 2019)
钟灵宛清
03-13 811
【作者】 •Xingyi Zhou, UT Austin, zhouxy@cs.utexas.edu •Jiacheng Zhuo, UT Austin, jzhuo@cs.utexas.edu •Philipp Krähenbühl, UT Austin, philkr@cs.utexas.edu 【问题】 自上而下的方法多年来一直主导着物体检测。流行的物体检测器将物体检测转换为矩形区...
论文学习笔记ExtremeNet（Bottom-up Object Detection by Grouping Extreme and Center Points）
Custom自定义
01-29 1万+
『写在前面』 目标检测新思路，检测目标极值点而不是回归包围框。 作者机构：Xingyi Zhou等，UT Austin 文章标题：《Bottom-up Object Detection by Grouping Extreme and Center Points》 原文链接：https://arxiv.org/pdf/1901.08043.pdf 相关repo：https://githu...
《Bottom-up Object Detection by Grouping Extreme and Center Points》论文解读
weixin_42825013的博客
10-23 268
《Bottom-up Object Detection by Grouping Extreme and Center Points》论文解读 这是CVPR2019关于目标检测的一篇论文，随着深度学习的出现，目标检测从由点及面逐渐发展到基于区域的识别问题。最先进的算法枚举一个几乎详尽的对象位置列表，并将每个位置分类为：对象与否。在本文中，作者想证明由点及面的方法仍然具有竞争力。 Introducti...
相机如何拟合出视场中心线
最新发布
03-08
根据用户提供的引用，特别是引用[1]提到的“Bottom-up Object Detection by Grouping Extreme and Center Points”，这可能涉及到通过检测场景中的关键点（如极值点和中心点）来重建结构，比如中心线。 接下来，我...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值