目标检测

SSD采用改造的VGG16加额外4个特征层，实现总体的特征提取，生成不同大小的feature_map   改造FC6 和FC7，采用卷积而不是全连接，生成19*19 的feature_map, 额外增加4个卷积层，生成10*10， 5*5， 3*3， 1*1 的feature_map， 其中conv4_3, FC7, conv6_2, conv7_2, co…

论文名称：MetaAnchor: Learning to Detect Objects with Customized Anchors 论文链接：https://arxiv.org/abs/1807.00980 目录 导语 背景 设计思想 方法 锚点框函数生成器 架构细节 实验 COCO 目标检测结果 结论 参考文献 导语 随着 ImageNet 退出“江湖…

其实在深度学习中我们已经介绍了目标检测和目标识别的概念、为了照顾一些没有学过深度学习的童鞋，这里我重新说明一次：目标检测是用来确定图像上某个区域是否有我们要识别的对象，目标识别是用来判断图片上这个对象是什么。识别通常只处理已经检测到对象的区域，例如，人们总是会在已有的人脸图像的区域去识别人脸。 传统的目标检测方法与识别不同于深度学习方法，后者主要利用神经网络…

光流（optical flow） 1950年，Gibson首先提出了光流的概念，所谓光流就是指图像表现运动的速度。物体在运动的时候之所以能被人眼发现，就是因为当物体运动时，会在人的视网膜上形成一系列的连续变化的图像，这些变化信息在不同时间，不断的流过眼睛视网膜，就好像一种光流过一样，故称之为光流。 光流法检测运动物体的原理：首先给图像中每个像素点赋予一个速度…

在上一节、我们已经介绍了使用HOG和SVM实现目标检测和识别，这一节我们将介绍使用词袋模型BOW和SVM实现目标检测和识别。 一 词袋介绍 词袋模型(Bag-Of-Word)的概念最初不是针对计算机视觉的，但计算机视觉会使用该概念的升级。词袋最早出现在神经语言程序学(NLP)和信息检索(IR)领域，该模型忽略掉文本的语法和语序，用一组无序的单词来表达一段文字…

深度学习笔记（四）（3）目标检测（Object detection） 3.1 目标定位（Object localization） 想要定位目标，要在标准的分类过程下，让神经网络多输出几个单元，输出一个边界框。具体说就是让神经网络再多输出4 个数字，标记为????????,????????,????ℎ和????????，这四个数字是被检测对象的边界框的参数化表…

网络结构图 基础网络块可自定义，可使用VGG、ResNet、DenseNet,这里使用了简单三层卷积+SSD的网络配置。 多尺度特征块：使用两层3*3的网络保持图片大小不变后，使用2*2的平均池化，将图片大小减半，来提取不同尺度的特征。 类别、边界框预测：使用多通道的输出来预测结果。 文件名SSD_model.py import sys sys.path.i…

原文链接：https://arxiv.org/abs/1406.4729 按照发展的时间线走，在正式进行 fast R-CNN 等工作的介绍之前，还是简单概括一下 SPPNet 吧，毕竟也是 KaiMing 大神的作品。 文章要点 解决带有全连接层的 CNN 只能固定输出图片尺寸的问题。而解决的方式就是使用空间金字塔池化（Spatial Pyramid Po…

  目标定位和检测系列（1）：一些基本概念 2018年01月23日 16:16:48 Meringue_zz 阅读数：1665  版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/sinat_34474705/article/details/79131542 最近开始学习深度学习中的定位和检测任务。本来打算直接看论文…

Unsupervised transfer learning for target detection from hyperspectral images 基于无监督迁移学习的高光谱目标检测 论文来源：https://doi.org/10.1016/j.neucom.2012.08.056 摘要     目标检测一直是高光谱图像处理的热门领域之一。传统的目标…