论文阅读笔记 | 目标检测算法——Generalized Focal Lossv1,v2
1. Generalized Focal LossAbstractOne-stage检测器基本上将目标检测定义为密集分类和定位(即边界盒回归)。该分类方法通常采用Focal loss进行优化，回归框位置通常采用狄拉克分布法进行学习。One-stage检测器的一个最新趋势是引入一个独立的预测分支来估计定位质量，预测的质量有助于分类，以提高检测性能。本文研究了质量估计、分类和定位这三个基本要素的表示....
论文阅读笔记 | 目标检测算法——YOLOX
paper：YOLOX: Exceeding YOLO Series in 2021摘要：作者将YOLO检测器切换为anchor_free方式，并且结合了一些先进的检测测量，比如一个解耦的检测器头部以及一个标签分配策略SimOTA。ps：作者用一个YOLOX-L模型赢得了流感知挑战(2021年CVPR自动驾驶研讨会)的第一名1. IntroductionYOLO系列始终追求实时应用的最佳速度和精....
论文阅读笔记 | 目标检测算法——PP-YOLOv2
paper：PP-YOLOv2: A Practical Object Detectorcode：https://github.com/PaddlePaddle/PaddleDetection摘要：在PP-YOLO的基础上再进行了改进，提高精度的同时几乎保持推断时间不变。作者分析了一系列改进，并通过增量消融实验来实证评估它们对最终模型性能的影响。最后PP-YOLOv2取得了更佳的性能(49.5%....
论文阅读笔记 | 目标检测算法——PP-YOLO
paper：PP-YOLO: An Effective and Efficient Implementation of Object Detectorcode：https://github.com/PaddlePaddle/PaddleDetection摘要：在实际应用中，由于硬件的限制，往往需要牺牲精度来保证探测器的推断速度。因此，必须考虑目标探测器的有效性和效率之间的平衡。paper的目标不....
论文阅读笔记 | 目标检测算法——DETR
paper：End-to-End Object Detection with Transformerscode：https://github.com/facebookresearch/detr摘要：paper提出将目标检测问题看作是集合预测问题，简化了检测流程，有效的消除了一些设计需要：如非最大抑制程序或锚生成。DETR是一种基于集合的全局损失，通过双向匹配进行唯一预测，同时也是一种encode....
论文阅读笔记 | 目标检测算法——Dynamic R-CNN算法
paper：Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training摘要：虽然两阶段目标检测算法近年不断发展，但是其训练过程并非完美的。作者发现了固定网络设置和动态训练过程之间存在的不一致问题，这极大地影响了性能。固定标签分配策略和回归损失函数不能适应候选框的分布变化，因此不利于训练高质量的检测器。为此，作....
论文阅读笔记 | 目标检测算法——Libra R-CNN算法
paper：Libra R-CNN: Towards Balanced Learning for Object Detection摘要：相比于模型结构，相比之下如何对模型进行训练这一方面受到的关注比较少，但是其对于目标检测任务来说同样的重要。作者回顾了检测器的标准训练过程，发现了检测性能往往受到训练过程中不平衡的限制，而这种不平衡一般由三个层次组成：样本层（sample level）、特征层（f....
论文阅读笔记 | 目标检测算法——Mask R-CNN算法
paper：Mask R-CNN作者：Kaiming He摘要：其实，这篇论文中，作者是设计用来解决对象实例分割问题的，所以文章的名字可能起得不算很好，请多包含。但是在Mask R-CNN算法中，可以有效的检测出图像中的对象，同时为每个实例生成高质量的分割掩码。Mask R-CNN是在Faster R-CNN基础上进行拓展，通过增加一个预测对象掩码的分支，与现有的边界框回归分支并行。其甚至可以处....
论文阅读笔记 | 目标检测算法——Cascade R-CNN算法
paper：Cascade R-CNN: Delving into High Quality Object Detection摘要：曾经，在目标检测领域中，IoU阈值的设定非常重要。如果设置一个比较低的阈值，会出现比较多的噪声对象；而如果设置的比较高，检测器的性能也会下降。这主要是两个原因：1）阈值设置过高，会导致在训练期间由于正样本指数消失而过度拟合。2）在推断过程中，检测器最适合的IoU与输....
论文阅读笔记 | 目标检测算法——DCN(可变形卷积网络)
paper：Deformable Convolutional Networks摘要：卷积神经网络由于其构建模块中固定的几何结构，本质上受限于模型几何变换。为了提高卷积神经网络的转换建模能力，作者提出了两个模块：可变形卷积（deformable convolution）和可变形RoI池（deformable RoI pooling）。这两个模块均基于用额外的偏移来增加模块中的空间采样位置以及从目标....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注