so_so_y的博客

本文提出了一种多任务loss权重学习的方式，通过训练协调了三个任务的loss，有语义分割、实力分割和depth regression，结构主要是：文中主要分为了三种情况来介绍：回归任务定义一个概率分布函数，假设其符合高斯分布，令fW(x)f^W(x)fW(x)为输入为x、权重为W的网络的输出，并将fW(x)f^W(x)fW(x)看作均值μ\muμ，则有：p(y∣fW(x))=N(fW...

模型中添加的结构用于检测的多尺度feature map本文中该网络使用的基础模型是VGG-16，将其截断后再最后加入多个conv feature层，这些层逐渐减小，并且可以预测多个尺寸的检测结果。用来检测的卷积预测器每个添加的feature层（或者原来基础网络中存在的feature层）可以使用一组conv filter产生一组固定的检测预测。对于一个有p通道的m×nm\times nm×n...

很是独特的一篇论文风格先主要记录一下做出的改进Bounding box prediction和YOLO9000一样，使用尺寸聚类预测bounding box作为anchor box。这个网络为每个bounding box预测四个值(tx,ty,tw,th)(t_x,t_y,t_w,t_h)(tx​,ty​,tw​,th​)，(cx,cy)(c_x,c_y)(cx​,cy​)是cell距离图像...

Better批量归一化批量归一化使得收敛性得到明显提升，并且不需要其他形式的正则化。通过在YOLO的所有卷积层中添加批量归一化，使得mAP提升了2%，而且可以帮助规范模型，同时可以不使用dropout也不会过拟合。高分辨率的分类器YOLOV2中会先在ImageNet上以448×448448\times 448448×448的分辨率对分类网络微调10个epoch，这给了网络时间来调整filt...

简述将目标检测作为回归问题用整张图片作为输入，得到bounding boxes和相关的类别概率优势快。base YOLO model实时处理图片45帧/秒；Fast YOLO达到了155帧/秒，并且mAP是其它实时监测器的2倍。背景类别分类正确率更高泛化性更强主要思想本文将目标识别的组件统一到单个卷积网络中，使用整张图片的特征来预测每个bounding box，并且一张图片...

R-FCN的提出用于目标检测的深度网络可以通过RoI池化层划分成两类子网：独立于RoI的共享的全卷积子网不共享计算的ROI-wise子网由于先进的图像分类网络是由全卷积设计的，通过对比，似乎在目标检测结构中完全使用卷积层构建共享的卷积子网更自然，使得RoI-wise子网没有隐藏层。但是，实践证明这个方法的检测精度非常低。为了解决这个问题，Fast R-CNN检测器在两组卷积层之间插入了...

Faster R-CNN = Fast R-CNN + RPNRPN是一个全卷积网络，可以同时预测每个位置的目标边框和目标得分。RPN通过端到端的训练产生高质量的候选区域，由Fast R-CNN使用进行检测。本文通过共享卷积特征将RPN和Fast R-CNN合并为一个网络——使用 Attention 机制。RPN（区域候选网络）该网络与检测网络共享全图像卷积特征，因此实现了几乎无花费的区域...

成就在训练VGG16时比R-CNN 9 faster，测试时间213 faster在 PASCAL VOC 2012上实现了更高的mAP相比于SPPnet，在训练VGG16时 3 faster，测试10 faster，并且更准确Fast R-CNN 提出原因SPP-net有明显的缺点，其提出的微调算法并不能更新卷积层的参数，这限制了比较深的网络的准确性Fast R-CNN的优点...

成就相比于深度卷积神经网络，可以不管图像的大小而生成固定长度的表示对变形的物体也很有效在准确性相当的前提下，速度比R-CNN更快（24-64× faster overall）做法在R-CNN实现思路的基础上，在最后一个卷积层和全连接层之间添加一个SPP层，由SPP层生成固定长度的输出，并将其输入到全连接层中。SPP的特性无论输入的大小，SPP都能生成固定长度的输出SPP使用多...

关键见解将CNN应用于自下而上的候选区域，对目标进行定位和分割当缺少标签训练数据是，对辅助任务进行有监督的预训练，再对特定领域进行微调，即迁移学习结果比先前VOC 2012上的最好的评价指标mAP提升了30%，达到了53.3%思路对输入图像提取大概2000个自底向上的候选区域使用CNN对每个候选区域计算特征向量根据特征向量，使用具体类别的线性SVM判断每个候选区域属于该...