摘要：
作为单阶段网络，retinanet兼具速度和精度（精度是没问题，速度我持疑问），是非常耐用的一个检测器，现在很多单阶段检测器也是以retinanet为baseline，进行各种改进，足见retinanet的重要，我想从以下几个方面出发将retinanet解读下，尽己所能。 retinanet出发点， 阅读全文
摘要：
Introduction 增加large-scale context对于目标检测尤其是小物检测质量提升我们多次提到过, 这也很容易理解. 当时流行一种可以融合背景的方法"encoder decoder", 因为其先encode压缩输出尺寸, 后decode扩充尺寸, 看起来像一个漏斗, 因此也常称为 阅读全文
摘要：
前言 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two- 阅读全文
摘要：
对三层作监督，分别重点检测大中小物体。 如果从未接触过检测算法，一定会对YOLOv3有别于其它CNN的诸多方面深表惊奇。惊奇可能意味着巧妙，也可能意味着不合理或者局限。在YOLOv3身上二者兼备。 Output and loss 需要监督的输出层如下。The shape of the detecti 阅读全文
摘要：
OLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，称之为YOLO9000。 下面具体看下YOLO2都做了哪些改进。 预测更准确（Be 阅读全文
摘要：
YOLOV1： 摘要指出了文章的主要创新之处：把分类问题转换为回归问题，使用一个卷积神经网络就可以直接预测物体的bounding box和类别概率。算法的优点有很多： 速度快，Titan X: 45fps。加速版则能达到150fps。 基于全局信息检测而不是生成region proposal的方法， 阅读全文
摘要：
Mask RCNN沿用了Faster RCNN的思想，特征提取采用ResNet-FPN的架构，另外多加了一个Mask预测分支。可见Mask RCNN综合了很多此前优秀的研究成果。为了更好地讲解Mask RCNN，先回顾一下几个部分： Faster RCNN ResNet-FPN ResNet-FPN 阅读全文
摘要：
在Fast R-CNN中，rbg利用 ROI Pooling 解决了不同尺寸 proposal 的特征提取问题，在其升级版 Faster R-CNN 中rbg进一步提出了 RPN 网络，通过共享输入图像的卷积特征，快速生成 proposal。纵观整个 R-CNN 系列的发展过程，我们可以发现，Fas 阅读全文