论文阅读-《BlitzNet: A Real-Time Deep Network for Scene Understanding》

最新推荐文章于 2024-12-26 10:46:53 发布
最新推荐文章于 2024-12-26 10:46:53 发布
阅读量3.3k 收藏 2
点赞数
分类专栏： Computer Vision 计算机视觉论文研读
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/yaoqi_isee/article/details/77195029
版权

ICCV 2017

1.Motivation:

为了做到实时的目标检测和语义分割
1

2.Framework

2
采用的是Resnet50+SSD, ssd这种one-stage的检测器天生适合和分割一块做。上采样过程用到的block如下图所示，除了正常的skip connection之外，还用上了residual connection
3

3.Experiments

作者在VOC2007/2012以及COCO上做的实验，因为VOC上不是每一张有boungbing box标注的图像都有segmentation的标注，因此作者还用到了别人另外标注的分割标签：《Semantic contours from inverse detectors》
4
这里就放一张在VOC2007上的测试结果。因为加上了分割的标签，所以检测的效果肯定会更好。

5
上图表示在VOC2012验证集上的结果，可以看到分割和检测这两个任务可以相互促进

[读论文]---[高效COD] DGNet:Deep Gradient Learning for Efficient CamouflagedObject Detection
计算机视觉
07-06 516
值得注意的是，我们的高效版本DGNet-S可以实时运行(80fps)，并且只需要6.82%的参数就可以获得与尖端模型JCSOD-CVPR21相当的结果。应用结果表明，所提出的DGNet在息肉分割、缺陷检测和透明目标分割等任务中表现良好。2)我们进一步利用两个带有过滤器的堆叠层来减少每个候选特征的维度，有助于减轻后续操作的计算负担。如图3所示，我们建议用两个独立的en编码器，一个上下文和一个纹理编码器来建模伪装的表示。得益于简单而高效的框架，DGNet在很大程度上优于现有的最先进的COD模型。
翻译和笔记--FOTS: Fast Oriented Text Spotting with a Unified Network
qq_27009517的博客
05-06 1599
文章目录笔记1.FOTS: Fast Oriented Text Spotting with a Unified Network2.Abstract3.Introduction4.Related Work4.1.Text Detection4.2.Text Recognition4.3.Text Spotting5.Methodology5.1.Overall Architecture5.2.Te...
Blitznet网络理解笔记
normal_moon的博客
10-26 1534
Blitznet网络理解笔记 1 resnet的理解 https://blog.youkuaiyun.com/lanran2/article/details/79057994 2 DSSD的理解 https://www.cnblogs.com/xuanyuyt/p/7447111.html https://blog.youkuaiyun.com/jesse_mx/article/details/55212179 3 Bl...
目标检测分割--BlitzNet: A Real-Time Deep Network for Scene Understanding
AI小作坊 的博客
08-25 4765
BlitzNet: A Real-Time Deep Network for Scene Understanding ICCV2017 Project: http://thoth.inrialpes.fr/research/blitznet/ Code: https://github.com/dvornikita/blitznet本文在 SSD 基础上改进提出 BlitzNet，使其
BlitzNet: A Real-Time Deep Network for Scene Understanding
qq_32450111的博客
08-06 423
https://github.com/dvornikita/blitznet
blitznet测试＆在自己的数据上训练
normal_moon的博客
09-30 1272
blitznet测试及训练笔记 项目地址 https://github.com/dvornikita/blitznet 环境要求 Python 3.5 Tensorflow >=1.2 Numpy 1.13 Matplotlib 2.0.0 OpenCV 3.2 PIL 4.0 glob tabulate progressbar 一、下载项目文件和数据集 下载项目: git clone ht...
BlitzNet: 实时场景理解深度网络
最新发布
gitblog_00170的博客
12-26 889
BlitzNet: 实时场景理解深度网络 blitznet Deep neural network for object detection and semantic segmentation in real-time. Official code for the paper "BlitzNet: A Real-Time...
目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net
bigcindy的博客
07-29 5376
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
instance-level 3D scene understanding. We train a deep convolutional network that learns to map image regions to the full 3D shape and pose of all object instances in the image. Our method produces a ...
Deep Snake for Real-Time Instance Segmentation：基于Deep Snake的实例实时分割
阿波
04-23 3433
本文针对自己所看的 Deep Snake 做一个总结和存档，也方便其他同学学习 —— 阿波，2020.4.23 论文原文：Deep Snake for Real-Time Instance Segmentation 代码地址： snake 本篇文章工作有以下贡献： •提出了一种基于学习的snake算法用于实时实例分割，该算法将初始轮廓变形到对象边界，并引入循环卷积来进行轮廓特征学习。 •提出了一个...
Python-实时场景理解深度网络BlitzNet
08-11
用于实时物体检测和语义分割的深层神经网络。 文章的官方代码“BlitzNet：实时深度网络的场景了解”
Scene-Understanding:室内语义分割
04-30
语义分割 用SegNet进行室内语义分割。 依赖 数据集 按照 下载 SUN RGB-D 数据集，放在 data 目录内。 $ wget http://3dvision.princeton.edu/projects/2015/SUNrgbd/data/SUNRGBD.zip $ wget http://3dvision.princeton.edu/projects/2015/SUNrgbd/data/SUNRGBDtoolbox.zip 架构 ImageNet 预训练模型 下载 放在 models 目录内。 用法 数据预处理 该数据集包含SUNRGBD V1的10335个RGBD图像，执行下述命令提取训练图像： $ python pre-process.py 像素分布： 数据集增强 图片 分割 图片 分割 训练 $ python train.py 如果想可视化训练过程，可执行： $ t
扩增的Pascal VOC 语义分割数据集制作
cncyww的博客
04-10 6520
参考的文献和博客： [1] B. Hariharan, P. Arbeláez, L. Bourdev, S. Maji, and J. Malik, “Semantic contours from inverse detectors,” in ICCV, 2011. [2]https://cloud.tencent.com/developer/article/1391917 [3]h...
论文阅读-《CoupleNet:Coupling Global Structure with Local Parts for Object Detection》
yj_isee的博客
08-11 4183
中科院nlpr实验室 ICCV20171.Motivation这篇文章主要是在R-FCN的基础上改的。其主要的观点就是R-FCN可以看成是对一个proposal，用一些position-sensitive的weak classifier去做检测，然后把这些classifier的检测结果ensemble起来（position-sensitive RoI pooling），因此作者指出这张方法没有考虑到
语义分割 - Semantic Segmentation Papers
gqixf的博客
01-25 1419
Semantic Segmentation TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation - 2018 - Kaggle [Paper] [Code-PyTorch] [Kaggle-Carvana Image Masking Challenge]Inverte
语义分割+视频分割开源代码集合
liumingchun13的博客
03-17 5182
来源：优快云博客（http://blog.youkuaiyun.com/zhangjunhit/article/details/78190283）语义分割 Global Deconvolutional Networks BMVC 2016 https://github.com/DrSleep/GDNThe One Hundred Layers Tiramisu: Fully Convolutional De...
Local Binary Convolutional Neural Networks ---卷积深度网络移植到嵌入式设备上？
weixin_30466953的博客
09-24 682
前言：今天他给大家带来一篇发表在CVPR 2017上的文章。 原文：LBCNN 原文代码：https://github.com/juefeix/lbcnn.torch 本文主要内容：把局部二值与卷积神经网路结合，以削减参数，从而实现深度卷积神经网络端到端的训练，也就是未来嵌入式设备上跑卷积效果将会越来越好。 主要贡献： 提出一种局部二值卷积（LBC)可以用来替代传统的卷积神经网络的卷积层...
PLA: 语言驱动的开放词汇3D场景理解
Scabbards_的博客
08-16 1883
我们通过为3D多视图图像添加字幕来提取预训练视觉语言(VL)基础模型中编码的知识，从而明确地将3D和语义丰富的字幕关联起来。此外，为了从字幕中促进从粗到精的视觉语义表示学习，我们设计了分层的3D字幕对，利用3D场景和多视图图像之间的几何约束。最后，通过采用对比学习，该模型学习连接3D和文本的语言感知嵌入，以完成开放词汇任务。
BlitzNet 开源项目使用教程
gitblog_00462的博客
09-09 930
BlitzNet 开源项目使用教程 blitznetDeep neural network for object detection and semantic segmentation in real-time. Official code for the paper "BlitzNet: A Real-Time Deep Network for Scene Understanding"项目地址...
精选目标检测论文集：YOLO、BlitzNet等研究解析
4. BlitzNet A Real-Time Deep Network for Scene Understanding.pdf BlitzNet是一篇关注于实时场景理解的论文，其中可能包括了实时目标检测的研究。BlitzNet可能利用了深度神经网络，并针对实时性进行了优化，使其...
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