WenlSun的博客 | WenlSun Blog

论文笔记：High-Level Semantic Feature Detection：A New Perspective for Pedestrian Detection

CSP

论文链接，官方代码，参考文章研究动机（出发点）传统的基于滑动窗口的目标检测方法和在最新基于锚框的深度学习算法，然而这两种方法都需要对滑动窗口或锚框进行繁杂的配置。文章中作者提出以一个新的视角来检测目标，即将目标检测作为一个高级语义特征检测任务，如检测边缘，角落，斑点等。作者通过卷积操作将行人的检测任务简化为直接预测中心和比例的任务。所提出的检测器扫描整个图像上的特征点，卷积自然适合于...

Posted by WenlSun on July 13, 2019

Ubuntu16.04下更改Teamviewer ID

Teamviewr 破解

Teamviewr 疑似商业用途解决方案通过更改MAC地址来更改Teamviewr的ID 安装macchanger, 使用下面命令,一路默认即可. 1 sudo apt-get install macchanger 使用ifconfig 命令查看以太网 enp5s0和无线网 wlp4s0的名字以及MAC地址 HWaddr,...

Posted by WenlSun on June 27, 2019

论文笔记：Object Detection in Remote Sensing Images Based on a Scene-Contextual Feature Pyramid Network

SCFPN

论文链接研究动机（问题）考虑到遥感影像中的目标类型通常与它们所处的场景密切相关。文中作者通过组合用于目标检测的场景-上下文信息，提出了一种用于遥感影像目标检测的CNN网络。作者提出了三个创新点。场景-上下文特征金字塔网络。旨在加强目标与场景之间的关系，解决目标变换大引起的问题。提出一个新的backbone，利用聚合残差模块(aggregated residual bl...

Posted by WenlSun on June 14, 2019

损失函数(代价函数) 交叉熵损失正则化 Batch Normalization Group Normalization 评价指标 mAP

Posted by WenlSun Blog on September 1, 2020

论文笔记：Class-Specific Anchor Based and Context-Guided Multi-Class Object Detection in High Resolution Remote Sensing Imagery with a Convolutional Neural Network

CACMOD CNN

论文链接研究动机(问题) 提议目标的不适当的锚尺寸和描述物体的特征不具有可区分的能力,是多尺度地物检测中漏检和错检的主要原因. 为解决”多尺度目标检测器中的锚尺寸固定,对于多尺度物体不适应”的问题. 作者在目标检测器中添加了一个特定于类的锚块,根据真实边界框的IoU方法,为每个类别学习合适的锚框大小.类特定的锚框可以提供更适合的初始值(RPN),以生成覆盖所有类别的尺度和预测边...

Posted by WenlSun on June 12, 2019

非极大抑制(NMS)及其变种

Non-Maximum Suppression

参考文章1 非极大抑制(Non-Maximum Suppression，NMS) 非极大抑制（Non-Maximum Suppression, NMS），顾名思义就是机制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个领域，领域有两个参数可变，一个是领域的维数，另一个是领域的大小。 NMS在计算机视觉领域有着非常重要的作用，如食品跟踪，数据挖掘，3D重建，目标识别以及纹理...

Posted by WenlSun" on June 10, 2019

论文笔记：Libra R-CNN：Towards Balanced Learning for Object Detection

Libra R-CNN

论文链接，官方代码，通天塔译文，参考文章1，参考文章2 问题（出发点）待填。。。。方法实验结果分析

Posted by WenlSun on May 13, 2019

论文笔记：Chained Cascade Network for Object Detection

Cascade Network

作者设计的网络在训练和预测阶段都有层级网络，可以在节省训练和预测时间的情况下提升检测效果。因为在浅层网络拒绝RoI在深层网络不会用来被使用。前阶段的网络用来学简单的分类，可以去除那些比较容易区分的背景，而深层用来学难的分类。以图为例，第一层，学习是不是哺乳动物。第二层学习是哪种动物如羊牛猪。最后一层学习区分都有角的动物，如牛羊。作者的创新主要可以归于以下几点：把级联分类器用在物体检测中...

Posted by WenlSun on May 7, 2019

论文笔记：Cascade R-CNN：Delving into High Quality Object Detection

Cascade R-CNN

论文链接，官方代码(mmdetection中有实现)，通天塔译文，参考文章1，参考文章2，参考文章3 出发点目标检测被构建为：分类+回归问题进行解决，所以检测问题本身是一个分类问题，但有和分类问题有很大的区别，因为在检测问题中是对所有的候选框进行打分，而在训练过程中是使用IoU阈值来判断正负样本的。因此IoU阈值的选取是一个非常重要的超参数。通常情况使用IoU=0.5来决定正负样本，...

Posted by WenlSun on May 6, 2019

论文笔记：DenseBox:Unifying Landmark Localization with End to End Object Detection

Object Detection

论文链接，官方代码，通天塔译文，参考文章 DenseBox主要贡献使用全卷积网络，将检测任务以类似于语义分割的方式处理。实现了端到端的训练和识别，而R-CNN系列算法是从Faster R-CNN中使用了RPN代替了Selective Search才开始实现端到端训练的，而和语义分割的结合更是等到了2017年的Mask R-CNN才开始。多尺度特征，R-CNN系列是从FPN才...

Posted by WenlSun on May 5, 2019

ABOUT ME

WenlSun Blog