object detection

卷積神經網路之目標檢測總結

概述 傳統的目標檢測任務主要通過人工提取特徵模型建立,常用的特徵包括:HOG、SIFT、Haar等,特徵提取模型之後進行支援向量機或者Adaboost的分類任務,進而得到我們所關注的目標結果。由於特徵模型的侷限性,我們引入卷積特徵,也就是經過卷積神經網路得到的特徵資訊,包括淺層資訊和深層資訊,淺層資 […]

yolov3批量測試並儲存在自定義資料夾下(轉載)

    YOLOv3的網路訓練教程在網上都能找到,最重要是依賴於官網github上的issues解決,如果有些問題不清楚可以百度搜尋到,這篇文章主要是針對於訓練好自己的網路後的測試命令以及實現批量測試圖片並儲存的操作:    先說測試並返回評價指標的3個命令 […]

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% […]

【object detection】Faster RCNN 實踐篇 – 使用 resnet 做預訓練,Kitti 資料集做 fine-tuning,訓練一個目標檢測模型

前言: 如下圖所示,根據自己制定的“Deep Learning”學習計劃,11月份的主要任務是:熟悉各大DL網路模型,主要以分類和檢測為主;看論文;熟悉病理資料等。我們有一個2人組的小分隊,我這個月的主要工作集中在學習目標檢測的經典演算法以及基於tensorflow或者keras跑一些經典的案例,主 […]