YOLOv-2论文笔记

最新推荐文章于 2024-10-05 13:26:58 发布
最新推荐文章于 2024-10-05 13:26:58 发布
阅读量276 收藏 1
点赞数
CC 4.0 BY-SA版权
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/weixin_43981952/article/details/118607240

YOLOv-2是在YOLO的基础上添加了很多改进策略最后得出的，
在这里插入图片描述
Batch Normalization
High Resolution Classifier：ImageNet数据集中的图像分辨率大都为224224，YOLO是在ImageNet上预训练后直接应用在448448上，这会使模型难以适应，而YOLOv-2是在ImageNet448*448上进行微调训练后，才进行在检测数据集上微调。
Convolutional with anchor boxes ：采用faster rcnn中rpn生成anchor的思想
Dimension Clusters ：采用K-means对训练集中的边界框做聚类分析，使得模型更容易训练
New Network： Darknet-19 ：19个卷积层，5个maxpooling层。这个新模型时map没有显著提升，但是计算量减少了33%
Direct location prediction:YOLOv-2是根据anchor boxes来预测bbox
的，这会导致预测的边界框落在图片的任何位置，YOLOv-2采用YOLO的思想，将每个框的中心点定义为对应cell左上角位置的相对偏移值，将中心坐标限制在cell内部，防止偏移过多。
Fine-Grained Feature（细粒度特征） ：v2提出了一种passthrough层来利用更精细的特征图，它与resnet中的shortcut连接有点相似，以前面更高分辨率的特征图为输入，然后将其连接到后面的低分辨率特征图上，只不过，passthrough将前面一层的高分辨率特征图划分为2X2的局部区域，在channel维度拼接，并与下一层特征图再拼接，最后在此特征图上卷积预测。
Multi-Scale Training ：具体来说是就是在训练过程中每间隔一定的iterations之后改变模型的输入图片大小，由于YOLOv2的下采样总步长为32，输入图片大小选择一系列为32倍数的值： {320,352,…,608}，

【YOLOv8改进-论文笔记】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-18 9054
精确分割拓扑管状结构，例如血管和道路，对各个领域至关重要，可确保下游任务的准确性和效率。然而，许多因素使任务变得复杂，包括细小脆弱的局部结构和复杂多变的全局形态。在这项工作中，我们注意到管状结构的特殊特征，并利用这一知识来引导我们的 DSCNet 在三个阶段同时增强感知：特征提取、特征融合和损失约束。首先，我们提出了一种动态蛇形卷积，通过自适应地聚焦于细长和曲折的局部结构，来准确捕捉管状结构的特征。
【YOLOv8改进-论文笔记】RFAConv：感受野注意力卷积，创新空间注意力
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-24 1万+
空间注意力已被广泛用于提升卷积神经网络的性能。然而，它存在一定的局限性。在本文中，我们提出了一个关于空间注意力有效性的新视角，即空间注意力机制本质上是解决卷积核参数共享的问题。然而，由空间注意力生成的注意力图中包含的信息对于大尺寸卷积核来说并不充分。因此，我们提出了一种名为感受野注意力（Receptive-Field Attention，简称RFA）的新型注意力机制。
yolopv2源码，自动驾驶，可行驶区域分割，车道线检测，目标检测代码
08-03
在过去的十年中，多任务学习方法在解决全景驾驶感知问题方面取得了不错的成果，同时提供了高精度和高效率的性能。 在为计算资源有限的实时实际自动驾驶系统设计网络时，它已成为一种流行的范例。 本文提出了一种有效且高效的多任务学习网络，可同时执行交通目标检测、可行驶道路区域分割和车道检测任务。 YOLOP-v2模型在具有挑战性的 BDD100K 数据集上的准确性和速度方面实现了新的最先进 (SOTA) 性能。 特别是与之前的 SOTA 模型相比，推理时间减少了一半。 在过去的十年中，多任务学习方法在解决全景驾驶感知问题方面取得了不错的成果，同时提供了高精度和高效率的性能。 在为计算资源有限的实时实际自动驾驶系统设计网络时，它已成为一种流行的范例。 本文提出了一种有效且高效的多任务学习网络，可同时执行交通目标检测、可行驶道路区域分割和车道检测任务。 YOLOP-v2模型在具有挑战性的 BDD100K 数据集上的准确性和速度方面实现了新的最先进 (SOTA) 性能。 特别是与之前的 SOTA 模型相比，推理时间减少了一半。
YOLOv2论文笔记
m0_46599997的博客
10-19 555
原文链接：https://arxiv.org/pdf/1612.08242v1.pdf 2017年发表在CVPR上。 摘要 引入了YOLO9000。 首先，提出了对YOLOv1的各种改进，既有新颖的，也有来自之前工作的。改进后的YOLOv2模型在PASCAL VOC和COCO等标准检测任务上是最先进的。 用一种新颖的多尺度训练方法，同样的YOLOv2模型可以在不同的尺寸下运行，在速度和准确性之间轻松权衡。 提出了一种目标检测与分类联合训练的方法。利用该方法，在COCO检测数据集和ImageNet分类数据.
论文笔记YOLOv2
m0_62108334的博客
03-16 320
摘要提炼： 我们提出了一种最先进的、实时检测系统——YOLO9000。它可以检测超过9000个种类的目标。 相对于YOLO的一些改进： 1.目标检测数据集使用COCO数据集 2.图像分类数据集使用ImageNet数据集 3.使用多尺度训练方法，可以在多种不同尺寸的图片上运行 4.提出了一种共同训练方法,即检测和分类共同训练 Introduction 首先介绍当前的研究背景：神经网络的引入以及深度学习使得目标检测系统越来越准确。提出问题：然而，大多数检测方法仍然局限于一小部分对象。 然后阐述
yolov2 论文笔记
@fei
09-21 498
摘要部分 real-time object detection system that can detect over 9000 object categories. 之所以叫yolo 9000 是因为可以检测9000个目标。 Using a novel, multi-scale training method the same YOLOv2 model can run at varying sizes, offering an easy tradeoff between speed and accura
【目标检测·yolo系列】YOLOV2目标检测论文笔记（参考 同济子豪兄的解读）
chentao326的博客
09-18 1289
目录anchor 、 Dimension Clusters 、Direct location prediction在YOLOv2中规定了五种anchor，grid cell数量为奇数限制预测框位置损失函数细粒度特征Multi-Scale Training anchor 、 Dimension Clusters 、Direct location prediction 在YOLOv1中先验框是随机的，在YOLOv2中规定了两个先验框，如下图 如图，①框擅长套高瘦长的物体，②框擅长矮胖宽的物体 由此可以使得模型
【论文笔记】：YOLOv8-QSD 自动驾驶场景小目标检测算法
2301_80365008的博客
08-07 1771
YOLOv8-QSD网络是一种新型的无锚点驾驶场景检测网络，建立在YOLOv8的基础上，在保证检测精度的同时保持效率。该网络的骨干网采用结构重参数化技术来转换基于多样化分支块 （DBB） 的模型。为了准确检测小目标，它集成了不同尺度的特征，并在骨干之后实现了基于双向特征金字塔网络（BiFPN）的特征金字塔。此外，还提出了一个动态头部(DyHead)，包含了尺度感知、空间感知和任务感知的注意力机制，以进一步优化特征提取和分类过程。为了解决驾驶场景中远程检测（商业车辆需要更大的视野）的挑战，该文引入新的。
【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码)
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
01-29 8506
随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。对于高 IoU 样本，使用较小的辅助边框计算损失能够加速收敛，而较大辅助边框适用于低 IoU
#今日论文推荐#YOLOP v2来啦 | YOLOv7结合YOLOP的多任务版本，超越YOLOP以及HybridNets
w1hsxn的博客
08-26 464
在过去的十年中，多任务学习方法在解决全景驾驶感知问题方面取得了不错的成果，同时提供了高精度和高效率的性能。
分别使用OpenCV、ONNXRuntime部署YOLOPV2目标检测+可驾驶区域分割+车道线分割，一共包含54个o.zip
02-21
分别使用OpenCV、ONNXRuntime部署YOLOPV2目标检测+可驾驶区域分割+车道线分割，一共包含54个o
YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception（2022）
Jad_Goh的博客
11-05 2047
YOLOPv2相较于YOLOP改动较少，主干网络改为E-ELAN、可行驶区域分割分支接在主干网络的末端、车道线损失函数改为Focal Loss+Dice Loss和采用了反卷积。
YOLOPv2：驾驶感知的未来，更快、更强大！
gitblog_01002的博客
08-18 481
YOLOPv2：驾驶感知的未来，更快、更强大！ 在自动驾驶与智能交通的浪潮中，一个名为YOLOPv2的技术新星正冉冉升起。这款由陈成汉、赵启超等学者共同研发的项目，旨在提升驾驶场景下的全景感知效率与准确性，是基于YOLOP进化而来的强力升级版——YOLOPv2：更好、更快、更强用于驾驶感知。 项目介绍 YOLOPv2是一个多任务网络，它专为解决城市驾驶中的物体检测、可行驶区域分割和车道线识别等问题...
YOLOPv2开源，目标检测&区域分割，多任务版本
hllyzms的博客
08-26 3140
尽管计算机视觉和深度学习取得了长足的发展，但基于视觉的任务（如物体检测、分割、车道检测等）在低成本自动驾驶的应用中仍然具有挑战性。最近已经努力建立一个强大的全景驾驶感知系统，这是自动驾驶的关键组成部分之一。全景驾驶感知系统通过摄像头或激光雷达等常见传感器，帮助自动驾驶车辆全面了解周围环境。基于相机的目标检测和分割任务通常在场景理解的实际使用中因其低成本而受到青睐。目标检测在提供交通障碍物的位置和大小信息方面发挥着重要作用，帮助自动驾驶汽车在行驶阶段做出准确及时的决策。...
探索 yolopv2-opencv-onnxrun-cpp-py：一款高效、易用的C++和Python对象检测库
gitblog_00021的博客
04-08 540
探索 yolopv2-opencv-onnxrun-cpp-py：一款高效、易用的C++和Python对象检测库 在计算机视觉领域，实时目标检测是关键任务之一，它广泛应用在自动驾驶、监控系统、图像识别等场景。 是一个开源项目，它将高效的YOLOv2模型与OpenCV库结合，利用ONNX运行时环境在C++和Python中实现，为开发者提供了简单且快速的目标检测解决方案。 项目简介 yolopv2-o...
BDD100K SOTA！YOLOPv2：更好、更快、更强的全景多任务网络（检测/可行驶区域/车道线）...
CV_Autobot的博客
08-30 1730
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！论文名称：YOLOPv2: Better, Faster, Stronger for Panoptic Driving Perception原文链接：https://arxiv.org/pdf/2208.11434.pdf在过去的十...
YOLOPv2-YOLOv8-NCNN-Android
weixin_44134491的博客
10-05 498
这是一个简单的安卓项目，将YOLOPv2和YOLOv8的模型用NCNN运行。项目用YOLOv8的目标检测替换了YOLOPv2中的目标检测部分，并使用c++多线程以保证实时性。速度尚可，但不太稳定。测试显示发热不明显，耗电一般。安卓工程未做尺寸调整，YOLOPv2输入固定为320，YOLOv8固定为640。CPU和GPU切换（建议首次运行后立即切换到GPU以保证性能）注意：建议首次运行后立即开启GPU以保证性能。YOLOv8n耗时：20-50ms不等。YOLOPv2耗时：50-70ms。
多任务全景感知YOLOPv2:目标检测、freespace、车道线
@bangbang的博客
11-27 4687
在上一个十年里，多任务学习网络在解决全景驾驶感知问题方面取得了优异的表现，同时实现了精度和效率的大幅提升。多任务学习框架已经成为有限计算资源条件下实时自动驾驶系统设计的主流选择。本文提出了一种有效且高效的多任务学习网络——YOLOPv2，可以同时完成目标检测、可行驶区域分割和车道检测三个任务。YOLOPv2模型在具有挑战性的自动驾驶基准数据集BDD100K 上的准确性和速度方面实现了新的SOTA。尤其是与之前的YOLOP、Hybrid-Net等SOTA模型相比，推理时间减少了一半。
探索YOLOPv2：新一代实时目标检测框架的技术解析与应用
gitblog_00052的博客
04-17 629
探索YOLOPv2：新一代实时目标检测框架的技术解析与应用 简介 是一款高效、精准的实时目标检测系统，源自北京大学计算机科学技术研究所（CAIC AD）的研究成果。作为一个开源项目，YOLOPv2旨在为开发者和研究者提供一个易于部署、性能优异的工具，用于各类视觉识别任务。 技术分析 网络架构 YOLOPv2采用了先进的网络设计，结合了YOLO系列的快速检测与DETR等Transformer模型的强...
yolov11论文笔记
最新发布
03-13
### YOLOv11 论文笔记与分析 #### 关键架构增强功能概述 YOLOv11引入了一系列创新性的改进措施来提升模型性能和效率。这些改进不仅增强了检测精度，同时也提高了推理速度[^1]。 #### 主要技术特点 - **多尺度预测*...
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