weixin_37709708的博客

学习经典的目标检测网络！膜拜大佬！！ Faster R-CNN的目的是使用区域候选网络来实现实时的目标检测任务 当前的目标检测网络依赖于区域候选算法来假设对象的位置。SPPNet和Fast R-CNN等减小了运行时间，但是此时也使得区域候选的计算成为整个执行时间的瓶颈。在这个工作中，我们引入一个区域候选网络将全图片的卷积特征与检测网络进行共享，因此得到一个几乎不需要花费的区域候选。 RPN是一个...

终于！开始了Mask R-CNN的学习！！膜拜大佬！ 首先介绍一下Faster R-CNN模型： 是一个二阶段的分类器。第一结算是区域候选网络（Region Proposal Network, RPN）用于提出候选的包围箱；第二个阶段是核心，即从每一个候选盒中使用RoIPool，提取出特征并且执行分类和bounding-box回归。两个阶段中使用的特征是被共享的 在Faster R-CNN中使用...

该论文提出LV-Net，其包含两个关键模块：一个双流的金字塔模块（L形状），一个使用了nested connection的编码器-解码器模块。具体的，该L形状的模块使用双流金字塔结构，将一系列互补的信息层次化的抽取出来。这一步，可以保留显著对象的的多样尺度和局部细节。V形状的模块，逐渐的将编码器的细节特征与解码器的语义特征通过nested connections的方式连接起来，目的是抑制杂乱的背景...

网址：You Only Look Once: Unified, Real-Time Object Detection https://arxiv.org/abs/1506.02640 与先前的方法不同，YOLO直接讲目标检测过程作为一个回归问题，来将空间上可分的bounding boxes和相关的类概率两者一起进行回归。从而可以在一次评估中，完成bounding boxes和类概率的预测 优点：...

网址：YOLO9000: Better, Faster, Stronger https://arxiv.org/abs/1612.08242 YOLO9000的特点在于可以检测多于9000个对象类别。使用多尺度训练方式，YOLOv2可以在可变尺度上运行，同时提供速度和准确性之间的平衡。最后，可以联合训练目标检测和分类，即在训练过程中，同时使用COCO检测数据集和ImageNet分类数据集。最后在...

网址：YOLOv3: An Incremental Improvement https://arxiv.org/abs/1804.02767 在YOLOv2的基础上进行了一些小的设计改动 实现效果： YOLOv3使用logistic回归来对每一个bb预测一个objectness分数。其中，如果一个bb的先验与金标准重叠的量最多，那么就认为该bb的objectness score为1。如果一些b...