引言 之前做object detection用到的都是two stage,one stage如YOLO、SSD很少接触,这里开一篇blog简单回顾该系列的发展。很抱歉,我本人只能是蜻蜓点水,很多细节也没有弄清楚。有需求的朋友请深入论文和代码,我在末尾也列出了很多优秀的参考文章。 YOLOv1 You
One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objectsPavement distressAutomated distress detectionCrack detectionDeep learningFaster R-CNNRetinaNetIn this study, a supervised machine learning network model is proposed to detect and ...
紧跟着2D Detection的pipeline,3D Detection的演变(发展)也是从two-stage detector到one-stage detector。关于2D detector的发展,可以从基于深度学习的目标检测算法综述和从RCNN到SSD,这应该是最全的一份目标检测算法盘点了解一下,来自合工大的综述性论文"Object Detection with Deep Learning A Review"也非常全面。 PIX...
RetinaNet就是一个FPN-based的one-stage detector,靠着最后面的focal loss来解决由于过量background而引起的类别不平衡。 在one-stage的网络中,假设正负样本的比例达到1:10000,就会出现两个问题,一是样本不平衡,二是负样本主导loss,虽然负样本的loss小,但是由于大量的负样本是easy example,大量负样本是准确率很高的第...
这里我们主要关注one-stage目标检测算法(也称one-shot object detectors),其特点是一步到位,速度相对较快。另外一类目标检测算法是two-stage的,如Faster R-CNN算法先生成候选框(region proposals,可能包含物体的区域),然后再对每个候选框进行分类(也会修正位置)。这类算法相对就慢,因为它需要多次运行检测和分类流程。
提出Single stage detector不好的原因完全在于: 极度不平衡的正负样本比例:anchor近似于sliding window的方式会使正负样本接近1000:1,而且绝大部分负样本都是easy example,这就导致下面一个问题: gradient被easy example dominant的问题:往往这些easy example虽然loss很低,但由于数 量众多,对于loss依旧有很大贡献,从而导致...
目标检测中One-stage检测算法 -> SSD SSD,全称Single Shot MultiBox Detector,是Wei Liu在ECCV 2016上提出的一种目标检测算法,Wei Liu2009年本科就读于南京大学本科,后来是北卡罗莱娜大学博士。 ECCV的全称是European Conference on Computer Vision(欧洲计算机视觉国际会议) ,两年一次,是计算机视觉三大会议(另外两个...
Light-Head R-CNN 提出了一种更好的 two-stage detector 设计结构,使用一个大内核可分卷积和少量通道生成稀疏的特征图。该设计的计算量使随后的 ROI 子网络计算量大幅降低,检测系统所需内存减少。将一个廉价的全连接层附加到池化层上,充分利用分类和回归的特征表示。因其轻量级头部结构,该检测器能够实现速度和...
我们介绍一篇很好的 one-stage 目标检测论文:CenterNet: Keypoint Triplets for Object Detection,该论文是由 中科院,牛津大学以及华为诺亚方舟实验室联合提出。截至目前,据我们所知,CenterNet 应该是 one-stage 目标检测方法中性能最好的方法。 date:20190418 ...
目标检测总结（onestage）⽬标检测总结（onestage）让我们再看⼀下滑动窗⼝检测器。我们可以通过在特征图上滑动窗⼝来检测⽬标。对于 不同的⽬标类型，我们使⽤不同的窗⼝类型。以前的滑动窗⼝⽅法的致命错误在于使⽤窗⼝作为最终的边界框，这就需要⾮常多的形状来覆盖⼤部分⽬标。更有效...