AI实战：高准确率的检测模型FPN、Mask R-CNN、CenterNet

最新推荐文章于 2025-09-01 06:00:00 发布
原创 最新推荐文章于 2025-09-01 06:00:00 发布 · 1.3k 阅读 · 2 ·
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。
文章标签：

#FPN #Mask RCNN #CenterNet

本文精选了深度学习领域中高准确率的检测模型，包括FPN、Mask R-CNN和CenterNet，提供了各模型的代码地址及论文链接，便于读者深入研究与实践。

深度学习高准确率的检测模型

  • FPN
    1、代码地址：
    https://github.com/DetectionTeamUCAS/FPN_Tensorflow

    2、Feature Pyramid Networks for Object Detection论文
    https://arxiv.org/abs/1612.03144

    3、准确率：
    在这里插入图片描述

  • Mask R-CNN
    1、代码地址
    https://github.com/matterport/Mask_RCNN

    2、Mask R-CNN论文
    https://arxiv.org/abs/1703.06870

  • CenterNet
    1、代码地址
    https://github.com/xingyizhou/CenterNet

    2、论文
    http://arxiv.org/abs/1904.07850

    3、准确率
    在这里插入图片描述

实例分割总结 Instance Segmentation Summary（Center Mask、Mask-RCNN、PANNet、Deep Mask和Sharp Mask）
qq_40784418的博客
07-19 3423
实例分割总结 Instance Segmentation Summary实例分割常用网络总结Mask-RCNN网络PANnetDeep Mask和Sharp MaskCenterMask二阶段（two-stage)实例分割方法一阶段(one-stage)实例分割方法 实例分割常用网络总结 实例分割网络经常接触到有： Mask-RCNN：基于Faster-RCNN的改进，加了一个语义分割的分支FCN网络，是自顶而下的思想（先检测到包围框实现了分类，再对每一个包围框进行语义分割。检测结果中每一个目标的标签是不同
TPAMI 2024 | 用于目标检测的CenterNet++
小白学视觉
06-15 583
本文介绍了一种新的自底向上的对象检测方法，名为CenterNet++。与主流的自顶向下方法相比，我们证明了自底向上的方法在性能上具有竞争力，并且具有更高的召回率。CenterNet++通过关键点三元组（左上角、右下角和中心点）来检测每个对象。我们首先根据设计的线索对角点进行分组，并基于中心关键点确认对象位置。角关键点允许方法检测各种规模和形状的对象，而中心关键点减少了大量误报提议引入的混淆。我们的方法是一种无锚点检测器，因为它不需要定义显式的锚框。
rcnn 改进mask_目标检测实用中可以改进的方向
weixin_36274103的博客
12-19 861
根据目前手头上的工作整理的一份清单，主要是自己的工作过程中，感觉到需要改进或者比较关注的问题，可能和一般的目标检测的研发不太一致，更多的还是些杂七杂八的点。连续帧检测一般的训练和评估都是针对单帧图像的，然而，实际应用中，很多都是针对连续帧（或者相近帧）的检测。在连续帧检测上，即使在观感上，就会比较明显的感觉到不如单帧检测。现象主要是以下：目标不能连续检出，造成检测框的闪烁偶尔的误识别检测框的偶尔跳...
Mask R-CNN算法详解
woduitaodong2698的博客
03-31 2340
Mask R-CNN算法详解论文背景算法背景算法详解RoIAlign神经网络结构FPN实验 论文背景 论文名称：Mask R-CNN 论文链接：https://arxiv.org/abs/1703.06870 论文日期：2018.1.24 算法背景 mask rcnn是用来进行instance segmentation，在检测物体的同时，还进行了高质量的segmentation mask，是在fa...
『算法学习』FPN：feature pyramid networks for object detection
weixin_34082854的博客
10-03 1348
对用卷积神经网络进行目标检测方法的一种改进，通过提取多尺度的特征信息进行融合，进而提高目标检测的精度，特别是在小物体检测上的精度。FPN是ResNet或DenseNet等通用特征提取网络的附加组件，可以和经典网络组合提升原网络效果。 一、问题背景 网络的深度（对应到感受野）与总stride通常是一对矛盾的东西，常用的网络结构对应的总stride一般会比较大（如32），而图像中的小物体甚至会小于...
CenterNet 笔记注释
火腿肠的幸福生活
11-11 456
参考， 论文 简介 关于CenterNet 的介绍网上的文章很多，这篇论文和代码前前后后看了好几遍，但是始终不得其精髓，究其原因我觉得是我只是单纯的知道这个网络的流程，内部的具体操作与实现不清晰，导致总是稀里糊涂。今天再看一次代码，终于有了更深刻的理解，这里对我的理解做一个简单记录。 heat map 的生成 # radius：当前目标的高斯半经，center：当前目标的中心， heatmap： 初始化的时候都为0 def draw_gaussian(heatmap, center, radius, k=1
Mask R-CNN实例分割原理与代码实战详解
值得一提的是，尽管Mask R-CNN在精度上表现出色，但其两阶段机制决定了它在推理速度上不如一些单阶段模型（如YOLO系列或CenterNet）。因此，在实时性要求较高的工业应用中，常需结合模型压缩、知识蒸馏或轻量化骨干...
医学影像AI应用：YOLO和Faster R-CNN在目标检测中的原理与实现
最新发布
编程技术探索者，分享C/C++、C#、Java、数据库等开发经验，聚焦实战技巧与AI兴趣，助力编程爱好者成长。
09-01 2126
本文深入探讨YOLO（You Only Look Once）和Faster R-CNN在医学影像目标检测（如肺结节检测、乳腺病灶定位、脑肿瘤检测）中的应用，聚焦其原理、实现细节及在医学影像场景中的优化策略。结合PyTorch框架和Hugging Face生态，本文提供详细的Python代码实现、流程图、性能图表和可视化分析，适合深度学习从业者和医学影像领域研究者，涵盖目标检测的理论基础、实践步骤、优化策略及临床应用。
论文精读：FairMOT: On the Fairness of Detection and Re-Identification in MultipleObject Tracking
qq_52053775的博客
05-19 2286
1.提出背景 以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。 2. 核心思想 将MOT表示为单个网络中目标检测和reid的多任务学习，因为它允许两个任务的联合优化，并且具有较高的计算效率。然而，我们发现这两个任务倾向于相互竞争，这需要仔细处理。特别是，以往的工作通常将re-ID视为次要任务，其准确性受到主要检测任务的严重影响。因此，网络偏向于主检测任务，这对re-ID任务不公平。为了解决这个问题，我们提出了一种基于无锚
目标检测YOLO实战应用案例100讲-基于改进YOLOv4模型的道路多目标检测
qq_36130719的博客
03-12 369
随着社会的快速发展，人民出行、物流需求快速增长，各国的汽车保有量也随之快速 增长。根据官方最新数据显示，2021年中国机动车保有量为4亿辆，其中汽车保有量达到 了3亿辆，汽车保有量同比增长7.5%。随着汽车保有量的增长，城市交通拥堵问题、出行 及物流两高一低问题日益严重。通勤高峰期全国大部分城市处于缓行状态，给人民的生 活带来极大的不便。同时，人为因素导致的交通事故也随之逐年增长。根据公安部数据， 2020年中国汽车交通事故156901起，造成43098人死亡，直接财产损失达到107769.4万元。
Mask R-CNN模型：Kaggle Airbus数据集训练
11-10
Mask R-CNN模型：Kaggle Airbus Ship Detection数据集训练
FPN_Tensorflow
12-08
A Tensorflow implementation of FPN detection framework.
AI学习笔记（十一）CNN之图像识别(下）
qq_35813161的博客
12-11 3098
AI学习笔记之CNN之图像识别图像识别图像识别简介模式识别图像识别的过程图像识别的应用分类与检测VGGResnet迁移学习&inception卷积神经网络迁移学习fine-tuningfine-tuning常见的两种迁移学习场景卷积神经网络迁移学习InceptionInceptionInception moduleInceptionV1--GooglenetInceptionV2InceptionV3Inception模型的优势Mobilenet卷积神经网络的设计技巧 图像识别 图像识别简介 图像
MaskRCNN学习笔记
听了个听儿
12-04 7478
MaskRCNN阅读笔记
钢铁缺陷检测mask rcnn版本
qq_32172681的博客
09-19 6084
一、项目主框架代码（tensorflow版本的Mask RCNN） Mask RCNN论文及代码解析参考我的另一篇博客：https://blog.youkuaiyun.com/qq_32172681/article/details/99761084 Mask RCNN keras实现代码，大神的github地址：https://github.com/matterport/Mask_RCNN 运行环境：t...
CenterNet2：CenterNet再升级，原作者提出基于概率解释的两阶段目标检测
AI数据工厂
03-17 1万+
CenterNet（Objects as Points）原作者的又一力作，超过YOLOv4。其在两阶段目标检测框架中引入概率解释：第一阶段推断出目标vs背景的似然性，第二阶段得到具体类别的分类得分。
【第13篇】CenterNet2论文解析，Python入门零基础
m0_60635321的博客
04-01 807
DETR (Carion et al., 2020) 和 Deformable DETR (Zhu et al., 2020c) 移除了检测器中的密集输出，而是使用直接预测一组边界框的 Transformer (Vaswani et al., 2017)。基于点的检测器、DETR 和传统检测器之间的主要区别在于网络架构。 基于点的检测器使用全卷积网络（Newell 等人，2016 年；Yu 等人，2018 年），通常具有对称的下采样和上采样层，并以小步幅（即步幅 4）生成单个特征图 . DETR 式检测器（
CenterNet目标检测模型及CenterFusion融合目标检测模型
BIT_Legend的博客
07-12 6218
CenterNet是一种基于free-anchor的目标检测模型，其继承自CornerNet目标检测模型，可以很容易迁移到例如3D目标检测和人体关键点检测等任务。 CenterFusion是一种通过融合毫米波雷达数据和可见光相机数据进行3D目标检测模型，该模型属于中端融合模型..........................................
CenterNet算法笔记
热门推荐
AI之路
06-18 1万+
论文：Objects as Points 论文链接：https://arxiv.org/abs/1904.07850 代码链接：https://github.com/xingyizhou/CenterNet 这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和CornerNet是相似的，方法上做了较大的调整，整体上给人一种非常清爽的感觉，算法思想很朴素、直接，而且...
Python深度学习实战：Mask R-CNN物体检测
本课程《Python-深度学习-物体检测实战》聚焦于计算机视觉领域中的核心任务之一——物体检测，尤其以当前极具代表性的通用解决方案Mask R-CNN为核心展开系统性讲解。课程目标是帮助学习者快速掌握物体检测的主流技术...
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

打赏作者

szZack

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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