wolf2345的博客

开源地址：https://github.com/zhaoweicai/mscnn后续补充

摘要Faster R-CNN是一种众所周知的物体检测方法，它将区域提议的生成及其分类结合到单个管线中。 在本文中，我们将Faster R-CNN应用于公司徽标检测任务。 受小型对象实例的R-CNN性能较弱的推动，我们对提案和分类阶段进行了详细检查，检查了它们在各种对象大小下的行为。 另外，我们看看feature map分辨率对这些阶段性能的影响。 我们引入了一个改进的方案来生成锚定提案，并提出对F...

摘要我们提出了一种对象检测方法，该方法提高了传统SSD（Single Shot Multibox Detector）的准确性，该方法是精度和速度两方面的顶级目标检测算法之一。深度网络的性能已知晓，提高了数字的性能。然而，它很难提高性能，但是会略微提高性能图表的数量。在本文中，我们提出并分析如何有效地使用功能映射来提高传统SSD的性能。通过改变靠近分类器网络的结构，而不是靠近输入数据来增加层数，例如...

A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection摘要我们如何学习一个对遮挡和变形不变的物体检测器？我们目前的解决方案是使用数据驱动策略 - 收集具有不同条件下的对象实例的大规模数据集。希望最终的分类器可以使用这些例子来学习不变性。但是真的有可能看到数据集中的所有遮挡？我们认为像类别，遮挡和对象变形也遵循...

遇到了一个纠结了很久得问题就是：Traceback (most recent call last):  File "./tools/demo.py", line 138, in <module>    _, _= im_detect(net, im)  File "/home/wolf/Desktop/FPN-master/tools/../lib/fast_rcnn/tes...

原文：Drone-based Object Counting by Spatially Regularized Regional Proposal Network 摘要：现有的计数方法通常采用基于回归的方法，并且不能精确定位目标对象，这妨碍了进一步的分析（例如高级理解和细粒度分类）。此外，以前的大部分工作主要集中在使用固定摄像头对静态环境中的物体进行计数。受无人驾驶飞行器（即无人驾驶飞机）出现的驱...

错误：RcnnLossBBox = 0  I0625 20:40:38.710259 18430 sgd_solver.cpp:107] Iteration 2640, lr = 0.001I0625 20:40:50.785377 18430 solver.cpp:229] Iteration 2660, loss = 0.262648I0625 20:40:50.785401 184...

https://github.com/wangxuewen99/Super-Resolution/tree/master/ESPCN摘要：当前基于深度神经网络的方法对于单图片的超分辨率在重建效率和计算量方面有了很大的成功。但是，这些方法中，都是用低分辨率的图片通过单一的滤波器，通常是双三次插值法，变成高分辨率的图片。这意味着超分辨率的工作是在高分辨率的基础上完成的。这种方法是次最优并且计算...

Dilate convolution（空洞卷积）个人理解：空洞卷积设计的初衷，是为了解决卷积Pooling 操作后，信息丢失，感受野减小。图像语义分割，常用的做法是卷积经过Pooling 操作后，采用deconv对其进行上采样以扩大图片尺寸，这样在Pooling操作过程中仍然会有信息损失。另外，空洞卷积操作的填充的过程与Padding 0填充过程类似，都是在0填充操作。空洞卷积：感...