Computer Vision

1/4ページ

HOG特徵-理解篇

網上去找關於HOG的資料,發現理解性的較少,而且較為冗長,為方便大家理解便自己寫了篇,希望能對奮鬥在特徵提取第一線的同志們有所幫助: HOG即histogram of oriented gradient, 是用於目標檢測的特徵描述子,該技術將影象區域性出現的方向梯度次數進行計數,該方法和邊緣方向直方 […]

CVPR2015一些文章整理

簡單看了一部分CVPR2015的文章。整理了一下。其中我決定把精彩的文章加粗。主要是覺得有些文章只讀了一遍,沒有發現很多很有道理的point(儘管我承認他們的工作都花了很大的功夫,但是沒有激起太大的興趣去follow。也許有機會讀第二遍的時候會再highlight)。另外MIT的博士生Zoya By […]

論文筆記:Label Refinement Network for Coarse-to-Fine Semantic Segmentation

本文設計了一個Coarse-to-Fine的深度學習網路Label Refinement Network,來進行語義分割任務。主要將低解析度下的分割標籤和卷積後的特徵進行結合,獲得一個更加精確的分割結果。在網路的多個階段定義loss函式,這種做法起到了多階段同時監督的效果。 論文傳送:Label R […]

低層次特徵提取(一)————邊緣檢測

    低層次特徵是不需要任何形狀/空間關係的資訊就可以從影象中自動提取的基本特徵。所有低層次方法都可以應用於高層次特徵提取,從而在影象中找到形狀。第一種低層次特徵,稱之”edge detection”。它的目的要是要製作一個線圖。一階檢測運算元相於一階微分法,二階邊緣檢測運 […]

論文筆記 R-FCN: Object Detection via Region-based Fully Convolutional Networks

插一句,我又回來啦~ 這篇論文主要採用“位置敏感度圖”的方法,將FCN 網路引入到目標檢測中來,將影象分類和目標檢測很好地結合。因此這種方法可以和很多FCN中的影象分類框架結合,比如ResNets等,使其應用到目標檢測中來。本文實驗了101層的ResNet在VOC資料下結果,取得了mAP 83.6% […]

論文閱讀-《RON-Reverse Connection with Objectness Prior Networks for Object Detection》

CVPR 2017 孔濤..HyperNet作者 0.Motivation 結合region-based的目標檢測方法和region-free的目標檢測方法。 主要關注兩個問題: 1)多尺度目標定位 2)負樣本挖掘 1.Contribution 1)對於多尺度定位,作者提出了reverse conn […]