目标检测
-
动目标指示MTI和动目标检测MTD
1. 运动目标指示(MTI) 由一个CPI内的连续M个脉冲回波经过相干解调后的基带数据，形成的一个二维数据矩阵。二维数据矩阵中的每一列都对应于对一个脉冲回波的连续釆样，即连续的距离单元。列中的每一个元素都是一个复数，代表一个距离单元的实部和虚部(I和Q)分量。因此，二维数据矩阵中的每一行代表对同一距离单元的一连串脉冲测量。 MTI处理器对慢时间数据序列…
-
CVPR2017-目标检测相关
（1）Speed/accuracy trade-offs for modern convolutional object detectors 其主要考虑三种检测器（Faster RCNN,R-FCN,SSD）作为元结构，三种CNN网络（VGG，Inception，ResNet）作为特征提取器，变化其他参数如图像分辨率、proposals数量等，研究目标检测系…
-
YOLT：将YOLO用于卫星图像目标检测
之前作者用滑动窗口和HOG来进行船体监测，在开放水域和港湾取得了不错的成绩，但是对于不一致的复杂背景，这个方法的性能会下降。为了解决这个缺点，作者使用YOLO作为物体检测的流水线，这个方法相比于HOG提高了对背景的辨别力，并且可以快速的在不同尺度和多样传感器上进行快速检测。 Review ImageNet上的目标检测和卫星图像上的检测有以下四个方面的不同…
-
目标检测之harr—角点检测harr 的opencv实现
本系列文章由@浅墨_毛星云 出品，转载请注明出处。 文章链接： http://blog.csdn.net/poem_qianmo/article/details/29356187 作者：毛星云（浅墨） 微博：http://weibo.com/u/1723155442 知乎：http://www.zhihu.com/people/mao-xing-yu…
-
目标检测之积分图—integral image 积分图2
前面在图像处理一栏中涉及到boxfilter 的时候，简单介绍过积分图，就是每个像素点是左边和上边的累加和，这样的话可以方便均值和方差，以及直方图统计的相关运算，这里再次结合网络资源重新单独对积分图做专门的介绍。 积分图的概念最早是由Paul Viola等人提出的，并被应用到实时的对象检测框架中。对于一个灰度图像而言，其积分图也是一张图，只不过…
-
目标检测（四）Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
8作者：Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun SPPnet、Fast R-CNN等目标检测算法已经大幅降低了目标检测网络的运行时间。可是尽管如此，仍然不能在工程上做到实时检测，这主要是因为region proposal computation耗时在整个网络用时中的占比较高。比如，Fast …
-
目标检测（二）SPPnet–Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognotion
作者：Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun 以前的CNNs都要求输入图像尺寸固定，这种硬性要求也许会降低识别任意尺寸图像的准确度。为避免这个问题，何凯明等人在该论文中提出了一种池化策略，“spatial pyramid pooling(SPP)“，即空间金字塔池化。带有该池化层的网络被称为…
-
目标检测（五）YOLOv1—You Only Look Once:Unified,Real-Time Object Detection
之前的目标检测算法大都采用proposals+classifier的做法（proposal提供位置信息，分类器提供类别信息），虽然精度很高，但是速度比较慢，也可能无法进行end-to-end训练。而该论文提出的yolo网络是一个统一的single network，能够进行端到端的优化。作者说到，该结构特别快，base YOLO model可以做到每秒实时处理…
-
目标检测（三）Fast R-CNN
作者：Ross Girshick 该论文提出的目标检测算法Fast Region-based Convolutional Network(Fast R-CNN)能够single-stage训练，并且可以同时学习对object proposals的分类与目标空间位置的确定，与以往的算法相比该方法在训练和测试速度、检测精度上均有较大提升。 目标检测算法比较复杂主…
-
目标检测（七）YOLOv3: An Incremental Improvement
项目地址 Abstract 该技术报告主要介绍了作者对 YOLOv1 的一系列改进措施（注意：不是对YOLOv2，但是借鉴了YOLOv2中的部分改进措施）。虽然改进后的网络较YOLOv1大一些，但是检测结果更精确，运行速度依然很快。在输入图像分辨率为320*320时，YOLOv3运行耗时22ms，mAP达到28.2，这和SSD一样精确，但是速度比…
