logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

Cascade R-CNN: High Quality Object Detection and Instance Segmentation(级联R-CNN:高质量目标检测与实例分割)

Cascade R-CNN: High Quality Object Detectionand Instance SegmentationZhaowei Cai, and Nuno Vasconceloshttps://github.com/guoruoqian/cascade-rcnn_Pytorch摘要在目标检测中,交并比(IoU)阈值经常被用来定义正/负。用于训练检测器的阈值定义...

#目标检测
精确的目标检测中定位置信度的获取

Borui Jiang∗1,3, Ruixuan Luo∗1,3, Jiayuan Mao∗2,4,Tete Xiao1,3, and Yuning Jiang41School of Electronics Engineering and Computer Science, Peking University2ITCS, Institute for Interdisciplinary Inf...

#目标检测
End-to-End Object Detection with Transformers(DETR)

3. **自定义查询(Learnable Queries)**:DETR使用一系列可学习的查询向量来表示目标的位置和类别,这些查询在解码器中与编码器的输出进行注意力交互,以产生最终的检测结果。5. **位置和边界框预测**:解码器的输出还包括用于预测目标边界框的信息。7. **可变形注意力(Deformable Attention)**:在一些变体中,如Deformable DETR,引入了可变形

文章图片
#目标检测#目标跟踪#人工智能
深度学习卷积神经网络论文研读-AlexNet

AlexNet模型来源于论文-ImageNet Classification with Deep Convolutional Neural Networks,作者Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton.摘要 我们训练了一个大型的深度卷积神经网络,将ImageNet LSVRC-2010比赛中的120万幅...

#深度学习#tensorflow#机器学习 +1
基于学习空间融合的单发目标检测(Learning Spatial Fusion for Single-Shot Object Detection)

Songtao LiuBeihang Universityliusongtao@buaa.edu.cnDi HuangBeihang Universitydhuang@buaa.edu.cnY unhong WangBeihang Universityyhwang@buaa.edu.cnhttps://github.com/ruinmessi/ASFF/blob/master/...

基于区域建议网络的Faster R-CNN实时目标检测

目前最先进的目标检测网络依赖于区域建议算法来假设目标的位置。SPPnet[1]和Fast R-CNN[2]等技术的发展减少了这些检测网络的运行时间,使区域建议计算成为瓶颈。在这项工作中,我们引入了一个区域建议网络(RPN),它与检测网络共享完整的图像卷积特征,从而实现几乎无成本的区域建议。RPN是一个完全卷积的网络,它同时预测每个位置的对象边界和对象得分。RPN通过端到端的训练来产生高质量的区域建

#目标检测
深度学习网络结构设计:ASFF- 自适应空间特征融合

ASFF它学习了空间过滤冲突信息以抑制不一致性的方法,从而提高了特征的尺度不变性,并引入了几乎免费的推理开销。详细原理和工程代码可参考另外一篇博文:https://blog.csdn.net/TJMtaotao/article/details/103216377代码如下:import torchimport torch.nn as nnimport torch.nn.funct...

#深度学习
深度学习卷积神经网络论文研读-AlexNet

AlexNet模型来源于论文-ImageNet Classification with Deep Convolutional Neural Networks,作者Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton.摘要 我们训练了一个大型的深度卷积神经网络,将ImageNet LSVRC-2010比赛中的120万幅...

#深度学习#tensorflow#机器学习 +1
基于faster RCNN 目标检测-车牌定位(1)

最近一直在学习深度学习中的目标检测-主要研究的是车牌定位,用过传统的方法,YOLO等,YOLO效果不是很好,但是YOLO训练起来很慢,3000左右的数据集需要训练大概10多个小时。而且效果不是很好。改进的话不是特别好改。于是又开始研究faster RCNN ,训练也是巨慢的。没办法,必须实验才知道效果,哪个更好。目标检测最难的不是网络环境搭建,而是数据集的制作。下面开始我们的faster rcnn

    共 20 条
  • 1
  • 2
  • 请选择