Activewaste

文章目录一、多尺度检测1.什么是多尺度检测？2.降低下采样率与空洞卷积3.多尺度训练4.优化Anchor尺寸训练5.深层与浅层特征融合6.SNIP，尺度归一化7.TridentNet,三叉戟网络二、目标检测中的样本不均衡问题1.什么是目标检测样本不均衡问题2.OHEM,在线难例挖掘3.S-OHEM，基于LOSS分布采样的在线困难样本挖掘4.Focal Loss :专注难样本5. Generalized Focal Loss6.GHM，损失函数梯度均衡化机制总结三、目标检测优化使用的Trick1.数据预处理技

总体概要：非极大值抑制NMS是目标检测常用的后处理算法，用于剔除冗余检测框，本文将对可以提升精度的各种NMS方法及其变体进行阶段性总结。对NMS进行分类，大致可分为以下六种，这里是依据它们在各自论文中的核心论点进行分类，这些算法可以同时属于多种类别。分类优先：传统NMS，Soft-NMS (ICCV 2017)定位优先：IoU-Guided NMS (ECCV 2018)加权平均：Weighted NMS (ICME Workshop 2017)方差加权平均：Softer-NMS (CVPR.

问题描述RuntimeError：input is smaller than kernel(shape_check at mmdet/ops/dcn/src/deform_conv)前提：在使用mmdetection（v 1.0.0的版本）中的可变形卷积操作时，遇到了这个问题。具体是在MSCOCO test-dev集下跑测试，如果在验证集跑测试的没有出现这个问题。出现这个问题是在test-dev集的第7311张图片上，我们把图片的大小打出来：有一张图片的size出现了2，torch.Size([

前言如果科研工作做的是MSCOCO数据集，有实验效果了，一般都需要在test-dev数据集上进行测试，这样才能说明问题（val有标注数据，万一有人投机取巧在val验证集上效果贼高，然后就说明他的是SOTA，这显然是说服不了的）。最近在搞论文的时候，才发现自己跑的SOTA实验都是在val验证集上跑的，所以后面就改在test-dev上跑了。如何在MSCOCO服务器上提交自己的测试结果呢？？？以test-dev2017为例，我来手把手走一遍，做个记录。MS COCO数据集输出数据的结果格式（result

引言之前写过关于mmdetection的安装和训练，最近在另一台服务器上重新配置环境，安装mmdetection的时候，按照原来的博客安装配置，出现了一些问题，特此来重新记录一下安装配置过程，也顺便纠正一下之前博客中出现的问题，或者模糊不清的东西。参考几篇我自己之前写的博客，这次这篇是一个大整合。pytorch镜像安装【清华源】【干货】用mmdetection，在COCO数据集上跑通faster R-CNN（测试、训练）安装Anaconda3遇到的几个问题安装Anaconda3去官网下载

一、摘要由于构造卷积神经网络 (CNN) 所用的模块中几何结构是固定的，其几何变换建模的能力本质上是有限的。在我们的工作中，我们引入了两种新的模块来提高卷积神经网络 (CNN) 对变换的建模能力，即可变形卷积 (deformable convolution) 和可变形兴趣区域池化 (deformable ROI pooling)。它们都是基于在模块中对空间采样的位置信息作进一步位移调整的想法，该...

作者：种树的左耳来源：知乎原文链接：目标检测领域还有什么可做的？19 个方向给你建议知乎问题：目标检测领域还有什么可以做的？感觉已经饱和了，很难再出顶级算法的样子。我所指的饱和是说围绕目标检测感觉没有什么好文章能发出来了，现有算法很难在短时间有突破了。想请教大家有什么好做的点子么？种树的左耳答案饱和是相对于占坑来说的，对于去探索未来踩坑来说，目标检测还远远没有达到饱和的地步。只是说...

之前在 大盘点 | 性能最强的目标检测算法 的文章中，看到了截至到目前的mAP 最高的目标检测算法。博主把这7篇论文看了，并大致进行了整理总结（下面7个链接为论文笔记）。论文笔记：SNIPER: Efficient Multi-Scale Training（2018.05.23）Scale-Aware Trident Networks for Object Detection（Triden...

注：刚接触R-CNN、Fast R-CNN、Faster R-CNN，就尝试用mmdetection，在coco数据集上跑Faster R-CNN，训练测试完就来记录一下这个过程的一些坑参考mmdetection github网址跑通mmdetection安装Anaconda3遇到的几个问题关于跑通mmdetection，建议主要看第一个网址，第二个网址参考为主，因为我按原博的步骤...

最近被分配了一个任务，准备将crowdhuman的标注转换成coco。然鹅，刚进实验室没几天，真的是啥也不会！！！呃，所以先从coco数据集的了解和标注格式先开始吧。参考了几篇博客资料，整理了下，好以后自己复习翻阅。参考链接在结尾。coco数据集类别：80类3种标注类型，使用json文件存储，每种类型包含了训练和验证object instances （目标实例）： 也就是目标检测obje...

注：从mmdetection使用coco数据集在faster rcnn训练和测试，到了解crowdhuman数据集标注格式，再到crowdhuman的标注格式转换成coco数据集标注格式，现在就到了最终目的了：训练转换后的Crowd Human数据集。以下是博主这一过程中整理的记录：【干货】用mmdetection，在COCO数据集上跑通faster R-CNN（测试、训练） COCO数据...

注：本以为很难，详细的看了一下odgt文件的数据存放方式和json文件的数据存放方式后，发现其实就是个读文件写文件的操作。只要把它们之间的数据进行对上就好了。COCO数据集标注格式详解----object instancesCrowdHuman数据集格式——odgt文件格式上面两篇博客是博主在写转换函数 crowdhuman2coco.py的时候，先去对它们的数据格式了解并整理了...

注：之前说要将Crowd Human数据集标注转换成COCO数据集标注格式，现在先来看一下odgt文件里的数据是怎么样保存的。demo下的odgt标注文件在Crowd Human数据集目录下，还有一个demo文件夹。这个demo是干么的呢，博主查了一下说是提取odgt里面的数据的？所以就先看里面的代码和odgt文件data下面有一个get_human.odgt，大小才66k，方便打开。（原...