目标检测
-
目标检测之指尖检测—指尖检测的新方法几种
指尖检测根据应用可以分为单指尖检测和多指尖检测。 下面是我在工作中想到的方法，希望对你有用或提供点儿灵感。 单指尖检测新方法：重心距离法 找到手的区域，我一般用肤色检测 计算手的区域的重心 在手的区域的边缘点集中寻找距离重心最远的点，该点即为指尖候选位置 判断找到的点是否为指尖。判据：候选点到重心的距离大于边缘到重心平均距离的1.6倍，即为指尖；否则不是…
-
（一）目标检测经典模型回顾
转载自知乎：https://zhuanlan.zhihu.com/p/34142321 关于作者： @李家丞同济大学数学系本科在读，现为格灵深瞳算法部实习生。 —————————————————————————————————-…
-
目标检测之Loss：softmaxLoss函数代码解读
在caffe中softmaxwithLoss是由两部分组成，softmax+Loss组成，其实主要就是为了caffe框架的可扩展性。 表达式（1）是softmax计算表达式，（2）是sfotmaxLoss的计算损失表达。在caffe中是单独的计算每层的输入和输出，然后再进行向后传递data结果和向前传递diff的结果。 caffe中softma…
-
FPN：目标检测常用的特征提取方法
FPN：目标检测常用的特征提取方法 常规的特征提取方法 多维度的目标检测一直以来都是通过对输入图像进行不同程度的缩小或扩大来对图像做特征组合，即图像金字塔的方式，例如人脸检测MTCNN网络就是图像金字塔方式输入，这种方法能有效表达出图像上的各种维度特征，对最终检测效果提升很明显，但是对硬件及内存要求较高，同时比较耗时。 只用单一维度的图像作为网络输入，在经过…
-
2018GoogleAI目标检测竞赛冠军-百度计算机视觉团队使用的策略总结
Google Al 用的数据集是openimagev4，是一个比imagenet和coco都大的数据集，500类，1200万个框，有极度的样本不平衡现象，跟很多自然数据集有共同的特点，百度计算机视觉团队拿下了2018目标检测冠军，从网上找到了资料，并对其的做法进行了分析。
-
目标检测全景介绍下
原作者 | 李家丞（ 同济大学数学系本科在读，现格灵深瞳算法部实习生） 近年来，深度学习模型逐渐取代传统机器视觉方法而成为目标检测领域的主流算法，本系列文章将回顾早期的经典工作，并对较新的趋势做一个全景式的介绍，帮助读者对这一领域建立基本的认识。（营长注：因本文篇幅较长，营长将其分为上（点击查看）、下两部分。） 导言：目标检测的任务表述 如何从图…
-
使用Detectron2分6步进行目标检测
作者|Aakarsh Yelisetty编译|Flin来源|towardsdatascience 让我们看看如何在涉及文本识别的自定义数据集上使用FAIR（Facebook AI Research）的Detectron 2进行实例检测。 你是否尝试过使用你自己选择的自定义数据集从头开始训练对象检测模型？ 如果是的话，你就会知道这个过程有多乏味。如果我们选择基…
-
目标检测 | Anchor free的目标检测进阶版本
点击蓝字关注我们 _ 今天说的是《Soft Anchor-Point Object Detection》，其也是最近关于anchor free的目标检测的论文，作者来自于CMU，一作同样也是FSAF（2019 CVPR）的作者。该论文的出发点还是在样本选择和FPN特征选择层面。 背景 _ Anchor free是目标检测领域的一个研究热点，其主要可以分为an…
-
目标检测——Fast RCNN原理
Fast-RCNN——Ross Girshick 文章目录 Fast-RCNN——Ross Girshick 简介 基本原理 基本结构 ROI POOLING 参数初始化 SVD（singular value decomposition） 分类和定位 training test time Multi-task Loss 简介 Fast-RCNN是 Ross …
-
YOLOv3——引入：FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018)
论文下载：https://pjreddie.com/media/files/papers/YOLOv3.pdf 论文代码: https://github.com/pjreddie/darknet 一、算法特点： 1、基本思想： YOLO系算法的思想都是，首先通过特征提取网络对输入图像提取特征，得到一定大小的特征图（比如13*13），然后将输入图像划分网格…
