目标检测-Dynamic Head: Unifying Object Detection Heads with Attentions(动态头:将目标检测和注意力统一起来)
摘要：文章主旨: 作者提出了一种将范围感知(scale-aware), 空间感知(Spatial-awareness),Task-awareness(任务感知)相结合的统一模型块，用来提升模型的效果，其中范围感知(scale-aware)可以用来适用不同尺度的目标，其中空间感知(Spatial-aware
阅读全文
posted @
2022-05-10 00:46
python我的最爱
阅读(184)
推荐(0) 编辑
CVPR2022(超分领域)-Reflash Dropout in Image Super-Resolution(记起droput在图像超分)
摘要：文章主旨: 在以往的认知中，dropout会导致信息发生损失，不适用于low level的任务中，作者发现dropout平均特征图的重要性，提升通道之间的利用率，从而提升模型的泛化能力, 对此作者进行了一系列的实验证明 文章介绍 简介 dropout旨在缓解高级视觉中的过拟合问题，但是很少应用在如超
阅读全文
posted @
2022-05-05 23:51
python我的最爱
阅读(772)
推荐(0) 编辑
缺陷检测-6.DEFECTNET: MULTI-CLASS FAULT DETECTION ON HIGHLY-IMBALANCED DATASETS(缺陷网络:在极度不平衡数据集下的多层次故障检测)
摘要：ABSTRACT As a data-driven method, the performance of deep convolutional neural networks (CNN) relies heavily on training data. The prediction results
阅读全文
posted @
2021-09-25 08:42
python我的最爱
阅读(433)
推荐(0) 编辑
深度学习文献代码阅读-超分辨(ESRGAN)
摘要：ESRGAN是在SRGAN基础上进行增强的网络, 在2018年的比赛中获得了冠军 Introduction 介绍了基于PSNR指标获得的超分辨图像其结果会较为平滑，且与人们的主观有较大的差别 作者针对SRGAN提出了3个改进的点 第一点: 使用了RDDB网络结构, 这种层叠式的网络结构更容易表达效果
阅读全文
posted @
2021-09-24 17:28
python我的最爱
阅读(1724)
推荐(0) 编辑
缺陷检测-5.Learning to Detect Multiple Photographic Defects(学习去检测多种摄像缺陷)
摘要：Abstract In this paper, we introduce the problem of simultaneously detecting multiple photographic defects. We aim at detecting the existence, severit
阅读全文
posted @
2021-09-24 17:06
python我的最爱
阅读(285)
推荐(0) 编辑
缺陷检测-4.Semi-supervised Anomaly Detection using AutoEncoders(半监督缺陷检测使用自动的编码器)
摘要：Abstract Anomaly detection refers to the task of finding unusual instances that stand out from the normal data. In several applications, these outlier
阅读全文
posted @
2021-09-23 18:30
python我的最爱
阅读(1142)
推荐(0) 编辑
缺陷检测-3.CutPaste: Self-Supervised Learning for Anomaly Detection and Localization(剪切粘贴:自监督学习对于异常检测和定位)
摘要：Abstract We aim at constructing a high performance model for defect detection that detects unknown anomalous patterns of an image without anomalous da
阅读全文
posted @
2021-09-14 18:17
python我的最爱
阅读(1249)
推荐(0) 编辑
缺陷检测-2.Mixed supervision for surface-defect detection: from weakly to fully supervised learning(对于表面缺陷检测的混合监督:从弱到完全监督学习)
摘要：这篇文章不管是网络结构还是文章中提到的亮点基本都是复用了<End-to-end training of a two-stage neural network for defect detection> 唯一的不同点就是针对混合监督，针对其中只有正负标签，没有分割标签的数据，损失函数只是用分类损失函数
阅读全文
posted @
2021-09-11 00:17
python我的最爱
阅读(896)
推荐(0) 编辑
缺陷检测-1.End-to-end training of a two-stage neural network for defect detection(端到端的两步神经网络的缺陷检测)(论文和代码讲解)
摘要：这篇文章相比于Segmentation-based deep- ˇ learning approach for surface-defect detection.这篇文章，首先他们都是一个作者写的，其次网络的架构也是非常接近的 为了保证小细节被保留下来，这里使用的是max-pool2x2，而不是使用
阅读全文
posted @
2021-09-05 18:02
python我的最爱
阅读(1299)
推荐(1) 编辑
算法探究-4.YoloX(一种无anchor的yolo)(论文和原理讲解)
摘要：░ YOLOX: Exceeding YOLO Series in 2021 1. Inclusion 介于yoloV4和yoloV5在基于anchor的pipeline上的过度优化，因此使用Yolov3作为我们的基础网络 Considering YOLOv4 and YOLOv5 may be a
阅读全文
posted @
2021-08-22 18:07
python我的最爱
阅读(3528)
推荐(0) 编辑
算法探究-3.centerNet(原理讲解)
摘要：centerNet的 创新点: 这是一种不需要使用anchor的网络结构，网络的输出使用的由3个head层所决定，第一个输出类别数，第二个输出中心点位置，第三个输出偏置项 (hm): Sequential( (0): Conv2d(64, 64, kernel_size=(3, 3), stride
阅读全文
posted @
2021-08-21 14:59
python我的最爱
阅读(806)
推荐(0) 编辑
算法工具-1.torch Pt模型转onnx(torch.onnx.export(m, d, onnx_path))
摘要：使用torch.onnx.export来进行模型的构造 import torch import torch.nn as nn import torch.nn.functional as F import torch.onnx import netron class model(nn.Module):
阅读全文
posted @
2021-08-18 22:48
python我的最爱
阅读(2282)
推荐(0) 编辑
算法探究-1.mobileNetV1
摘要：MobileNetV1 亮点1：mobileNetV1使用的是一种新的网络结构, 这种网络结构的特点是使用3x3的分组卷积层进行单通道的特征提取，然后使用1x1的卷积对通道进行特征融合 图示说明: 左边是改进前的网络结构，右边是改进后的网络结构，由一个3x3的分组卷积和一个1x1的卷积构成 上述网络
阅读全文
posted @
2021-08-15 22:17
python我的最爱
阅读(271)
推荐(0) 编辑
算法探究-2.retinaNet(Focal Loss)
摘要：1.本文的亮度一: 首次提出了Focal loss 1.解决正负样本分布不均匀，常见的思想是引入一个权重因子α ，α ∈[0,1]，当类标签是1(前景)，权重因子是α ，当类标签是-1(背景)时，权重因子是1-α 。同样为了表示方便，用αt表示权重因子，那么此时的损失函数被改写为：一般使用at等于0
阅读全文
posted @
2021-08-14 01:17
python我的最爱
阅读(278)
推荐(0) 编辑
文本算法-Ctpn(用于进行文本框的提取)
摘要：CTPN是CNN+RNN的结合，CNN主要是用于文本框的提取，RNN将中间层的输入结果进行改变，保证文本框的上下文具有联系 网络结构 网络结构说明: 首先使用VGG，将原来图片的大小，缩小为1/16，因此每一个点输出结果是2*10概率和2*10的位置信息 标签制作: 构造16个像素，从上到下构造an
阅读全文
posted @
2020-05-05 22:40
python我的最爱
阅读(1002)
推荐(0) 编辑
