wlw8023diya的博客

SSD核心设计理念总结为以下三点： 1.采用多尺度特征图用于检测 2.采用卷积进行检测 3.设置先验框 所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，正如下所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标， 8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小。 ...

在本文中，作者提出了一种使用分层方法对整个建筑物的三维点云进行语义解析的方法：首先，将原始数据解析为语义有意义的空间(E 。g。 房间等)对齐成一个典型的参考坐标系。 第二，空间被解析成它们的结构和建筑元素(例如。 墙壁、柱子等)。 执行这些wi 全球三维空间的一个强有力的概念是我们方法的支柱。 第一步中的对齐将强3D先验从正则坐标系注入到第二步以进行发现 要素。 这允许不同的具有挑战性的场景，因为人造室内空间往往表现出反复出现的规律性，而外观特征则会发生巨大的变化。 我们还认为身份证明 室内空间中的结

论文： 在3D点云中准确检测对象是自主导航，客房服务机器人和增强/虚拟现实的中心问题。为了将高度稀疏的LiDAR点云与区域提议网络（RPN）进行接口，大多数现有工作都集中在手工制作的特征表示上，例如鸟瞰图。在这项工作中，消除了对3D点云进行手动特征工程的需求，并提出了VoxelNet，这是一种通用的3D检测网络，它将特征提取和边界框预测统一为一个端到端可训练的单阶段深层网络。将点云转换为等距的3D体素，并通过新引入的体素特征编码（VFE）层将每个体素内的一组点转换为统一的特征表示。这样，点云被编码为描述性体

论文：Very Deep Convolutional Networks for Large-Scale Image Recognition 该篇文章介绍了卷积网络深度在大规模图像识别环境中对其准确性的影响。 它主要贡献是使用具有非常小（3×3）卷积滤波器的体系结构对增加深度的网络进行全面评估，这表明将深度推至16-19重量可以实现对现有技术配置的重大改进 层，它公开提供了两个性能最佳的ConvNet模型。 他们讨论了ConvNet架构设计的另一个重要方面—深度。为此,他们修复结构的其他参数,和稳步增长的深度

论文：https://arxiv.org/abs/1703.06870. 代码： https://github.com/facebookresearch/Detectron Mask RCNN in TensorFlow: https://github.com/CharlesShang/FastMaskRCNN Python 3, Keras, and TensorFlow: pytorch:https://github.com/facebookresearch/detectron2 该方法有效地检测图像中

更快的R-CNN：通过区域提议网络实现实时目标检测 为了解决什么问题：怎么解决这个问题：功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式Fast R-CNN（基于区域的卷积神经网络）模型如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 ) 为了解决什么问题： 区域建议计算成为瓶颈，因为最新的物