目标检测

论文地址：http://papers.nips.cc/paper/5207-deep-neural-networks-for-object-detection.pdf 1.简述   文章发表于2013年，在当时cnn对目标边界框的定位表现还不是很好，当时对目标检测的主流算法之一是the deformable part-based model，这种方法由在st…

  论文连接：https://arxiv.org/abs/2004.10934   翻译的很多都是直译的，不准的地方请欢迎大佬指正 摘要     有许多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。一些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小规模数据集上运行； 而某些功能（…

目前目标检测算法有很多，譬如：R-CNN，Faster R-CNN，DPM，RPN等等，YOLO也是其中之一，YOLO是当前目标检测算法中发展最为迅速的一个。YOLO结合了GooleNet modification和卷积神经网络的知识，可以对图像中的物体进行分类和定位。卷积神经网络对于物体分类来说效果是很好的，YOLO利用卷积层提取物体特征，通过全连接层进行…

目标检测是CV的四大基本任务之一，也是现在CV最热门的技术，与技术落地息息相关。目标检测相比于分类与分割，它的损失函数要更难理解一点。 目标检测与边界框 目标检测应用的场景通常是一副图像里有很多要关注的目标，比如下图有猫和狗两个目标，我们要分别把它们的位置和大小框出来，这用到的框便叫边界框。目标检测是解决”在哪里有什么”的任务。 锚框 锚框（Anchor）是…

Matrix Nets: A New Deep Architecture for Object Detection AP在MS COCO上实现了47.8的mAP AP比较 Matrix Networks (a) Shows the original FPN architecture(b) Shows the MatrixNet architecture, w…

点击我爱计算机视觉标星，更快获取CVML新技术 人类的视觉感知中，可以非常容易的聚焦于场景的显著性目标，在计算机视觉的很多问题中，也需要类似的机制，可以让计算机更好地理解场景。尤其是人类目的明确的应用场景。 比如，52CV曾经跟大家分享过淘宝的拍照购物算法 KDD2018 阿里巴巴论文揭示自家大规模视觉搜索算法，用户上传的照片往往是背景复杂的，算法其实很需要…

摘要 当前最先进的目标检测器通常是基于一种预训练的模型，这种模型先在大型数据集ImageNet预训练，之后再进行微调训练。不过这种方法有局限性：（1）分类和检测对网络平移性的敏感度不同；（2）网络的结构不方便修改。而从零开始训练的检测器不受网络结构的影响，所以可以随意更改网络结构来训练达到最好的检测效果。之前的从零开始训练的检测器表现都比基于预训练模型的检测…

论文提出增量式少样本目标检测算法ONCE，与主流的少样本目标检测算法不太一样，目前很多性能高的方法大都基于比对的方式进行有目标的检测，并且需要大量的数据进行模型训练再应用到新类中，要检测所有的类别则需要全部进行比对，十分耗时。而论文是增量式添加类别到模型，以常规的推理形式直接检测，十分高效且数据需求十分低，虽然最终的性能有点难看，但是这个思路还是可以有很多工…

                                                                                      目标检测—搬砖一个ALPR自动车牌识别的环境 参考License Plate Detection and Recognition in Unconstrained Scenarios@…

背景：电子厂的电子元器件生产流水线，特别是插件散装的器件，可以用电子称称量计算出个数，但误差还是不能接受，尝试图像识别方案，目测能解决这个问题！ 其实拍出来的照片更多的是元器件相互接触，要准确计算元器件个数还是有些难度，通过图像形态学开闭操作，腐蚀等手段尝试以后效果不是很好。最终发现一种简单明了，但是有微小误差的计数，算法思路如下： 主要是利用连通区域发现算…