摘要：
博客搬家 阅读全文
摘要：
1 #include<stdio.h> 2 3 #define MAXN 100 4 //A[p,q] A[q+1,r]是两个有序数组，想办法把他们结合成一个有序数组 5 void merge(int A[],int p,int q,int r){ 6 int n=0; 7 int i=p; 8 int j=q+1; 9 int tmp[MAXN]; 10 while(i<=q&&j<=r){ 1 阅读全文
摘要：
引言 对于小目标通常需要用到多尺度检测，作者提出的FPN是一种快速且效果好的多尺度检测方法。 方法 a,b,c是之前的方法，其中a,c用到了多尺度检测的思想，但他们都存在明显的缺点。 a方法：把每图片都进行缩放，在进行检测，这种做法最大的问题是太慢，因为要多花好几倍的时间； c方法：其实就是SSD论 阅读全文
摘要：
引言 这篇论文深刻分析了one-stage的模型精度比two-stage更差的原因，并提出Focal Loss提高精度。 思路 在论文中，作者指出，造成one-stage模型精度差的原因主要是：正负样本极不平衡。一张图片只有那么几个目标，但是用来分类的Anchor Box却能达到几千个，大量的样本都 阅读全文
摘要：
目的 让Faster R-CNN能做实例分割的任务。 方法 模型的结构图如下。 与Faster R-CNN相比，主要有两点变化。 (1) 用RoI Align替代RoI Pool。 首先回顾一下RoI Pool，流程为：将RPN产生的原图侯选框映射到CNNs输出的feature map上，显然原图比 阅读全文
摘要：
背景 SSD算法在检测小目标时精度并不高，本文是在在SSD的基础上做出一些改进，引入卷积层，能综合上下文信息，提高模型性能。 理解 Q1：DSSD和SSD的区别有哪些？ (1)SSD是一层一层下采样，然后分别在这些feature map上进行预测；而DSSD则是在后面加入了很多的Deconvolut 阅读全文
摘要：
背景 基于ResNet 101的Faster RCNN速度很慢，本文通过提出Position-sensitive score maps(位置敏感分值图)来给模型加速。 方法 首先分析一下，为什么基于ResNet 101的Faster R-CNN很慢？ 其实主要的原因是ROI Pooling层后面的C 阅读全文
摘要：
背景 要在YOLO v2上作出改进。 方法 (1)分类器改变。从softmax loss改变为logistic loss，作用是处理符合标签，softmax loss只能用来预测只有一种类别的目标，logistic loss可以是多种类别。 (2)引入多级预测机制。在三种尺度的特征图上做detect 阅读全文
摘要：
背景 YOLO v1检测效果不好，且无法应用于检测密集物体。 方法 YOLO v2是在YOLO v1的基础上，做出如下改进。 (1)引入很火的Batch Normalization，提高mAP和训练速度； (2)加入了Anchor Box机制，每个grid cell5个Anchor Box； (3) 阅读全文
摘要：
背景 R-CNN系列算法检测速度不够快，YOLO v1检测准确率较低，而且无法检测到密集目标。 方法 SSD算法跟YOLO类似，都属于one stage的算法，即通过回归算法直接从原图得到预测结果，为了解决YOLO v1检测效果一般的问题，SSD提出了多尺度检测的方法以及在不同尺度上特征点的defa 阅读全文