随笔分类 - K、一些论文理解
摘要：引言 介绍 目前精度高的检测器都是基于two-stage，proposal-driven机制，第一阶段生成稀疏的候选对象位置集，第二阶段使用CNN进一步将每个候选位置分为前景或者背景以及确定其类别； 提出一个one-stage检测器可以匹配two-stage检测器在COCO上AP，例如FPN、Mas
阅读全文
摘要：一、R-FCN初探 1. R-FCN贡献 提出Position-sensitive score maps来解决目标检测的位置敏感性问题； 区域为基础的，全卷积网络的二阶段目标检测框架； 比Faster-RCNN快2.5-20倍（在K40GPU上面使用ResNet-101网络可以达到 0.17 sec
阅读全文
摘要：YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。 1.Darknet-53 network在论文中虽然有给网络的图，但我还是简单说一下。这个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个Leaky
阅读全文
摘要：概述 YOLO（You Only Look Once: Unified, Real-Time Object Detection）从v1版本进化到了v2版本，作者在darknet主页先行一步放出源代码，论文在我们等候之下终于在12月25日发布出来。 新的YOLO版本论文全名叫“YOLO9000: Be
阅读全文
摘要：SSD论文贡献： 1. 引入了一种单阶段的检测器，比以前的算法YOLO更准更快，并没有使用RPN和Pooling操作； 2. 使用一个小的卷积滤波器应用在不同的feature map层从而预测BB的类别的BB偏差； 3. 可以在更小的输入图片中得到更好的检测效果（相比Faster-rcnn）； 4.
阅读全文
摘要：摘要 作者提出了一种新的物体检测方法YOLO。YOLO之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者
阅读全文
摘要：摘要： Mask RCNN可以看做是一个通用实例分割架构。 Mask RCNN以Faster RCNN原型，增加了一个分支用于分割任务。 Mask RCNN比Faster RCNN速度慢一些，达到了5fps。 可用于人的姿态估计等其他任务； 1、Introduction 实例分割不仅要正确的找到图像
阅读全文
摘要：一、创新点和解决的问题 创新点 设计Region Proposal Networks【RPN】，利用CNN卷积操作后的特征图生成region proposals，代替了Selective Search、EdgeBoxes等方法，速度上提升明显； 训练Region Proposal Networks与
阅读全文
摘要：论文地址：https://arxiv.org/pdf/1504.08083.pdf 翻译请移步：https://blog.csdn.net/ghw15221836342/article/details/79549500 背景问题： 1、R-CNN网络训练、测试速度都很慢：R-CNN网络中，一张图经由
阅读全文
摘要：论文地址：https://arxiv.org/pdf/1406.4729.pdf 论文翻译请移步：http://www.dengfanxin.cn/?p=403 一、背景： 传统的CNN要求输入图像尺寸是固定的（因为全连接网络要求输入大小是固定的） crop处理，可能不包含整个物体，还会丢失上下文信
阅读全文
摘要：论文地址：https://arxiv.org/pdf/1311.2524.pdf 翻译请移步： https://www.cnblogs.com/xiaotongtt/p/6691103.html https://blog.csdn.net/v1_vivian/article/details/7859
阅读全文
摘要：HYPERSPECTRAL IMAGE CLASSIFICATION USING TWOCHANNEL DEEP CONVOLUTIONAL NEURAL NETWORK阅读笔记
阅读全文
摘要：A NEW HYPERSPECTRAL BAND SELECTION APPROACH BASED ON CONVOLUTIONAL NEURAL NETWORK文章笔记
阅读全文
浙公网安备 33010602011771号