开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在FPN目标检测模型中使用少于5个锚点比例

在FPN（Feature Pyramid Network）目标检测模型中，锚点比例是指在不同特征金字塔层级上使用的不同尺度的锚点框。锚点框是一种预定义的边界框，用于在图像中生成候选目标框。

FPN目标检测模型使用多层级的特征金字塔来检测不同尺度的目标。为了适应不同尺度的目标，需要在每个特征金字塔层级上使用不同尺度的锚点比例。锚点比例通常是一个包含多个比例值的列表，每个比例值代表一个锚点框的尺度。

使用少于5个锚点比例可能会导致模型在检测不同尺度的目标时表现不佳。较少的锚点比例可能无法覆盖到所有目标的尺度范围，从而导致一些目标无法被正确检测或定位。

然而，具体使用多少个锚点比例需要根据具体的应用场景和目标尺度分布来确定。过多的锚点比例可能会增加计算复杂度，并且可能会导致过多的候选框，增加后续处理的难度。因此，在选择锚点比例时需要权衡模型性能和计算效率。

腾讯云提供了一系列与目标检测相关的产品和服务，例如：

云服务器（Elastic Compute Cloud，简称 CVM）：提供灵活可扩展的计算资源，用于训练和部署目标检测模型。链接：https://cloud.tencent.com/product/cvm
人工智能机器学习平台（AI Machine Learning Platform，简称 AI MLP）：提供了丰富的机器学习算法和模型训练工具，可用于目标检测模型的训练和优化。链接：https://cloud.tencent.com/product/aimlp
图像处理服务（Image Processing Service，简称 CPS）：提供了图像处理的API接口，包括图像识别、图像分割等功能，可用于目标检测结果的后处理和分析。链接：https://cloud.tencent.com/product/cps

请注意，以上仅为腾讯云提供的一些相关产品和服务示例，具体选择和使用哪些产品和服务需要根据实际需求进行评估和决策。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

FCOS: Fully Convolutional One-Stage Object Detection

我们提出一种全卷积的单阶段目标检测器(FCOS)，以逐像素预测的方式解决目标检测问题，类似于语义分割。几乎所有最先进的目标探测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚盒。相比之下，我们提出的探测器FCOS是Anchor Free，以及proposal自由。通过消除预定义的锚盒集合，FCOS完全避免了与锚盒相关的复杂计算，例如在训练过程中计算IoU。更重要的是，我们还避免了所有与锚盒相关的超参数，这些超参数通常对最终检测性能非常敏感。通过唯一的后处理非最大抑制(NMS)，使用ResNeXt-64x4d-101的FCOS在单模型和单尺度测试下，AP达到44.7%，超越了以往单阶段检测器。我们首次演示了一个更简单、更灵活的检测框架，从而提高了检测精度。我们希望所提出的FCOS框架可以作为许多其他实例级任务的简单而强大的替代方案。

02

cvpr目标检测_目标检测指标

Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because they are compute and memory intensive. In this paper , we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost. A topdown architecture with lateral connections is developed for building high-level semantic feature maps at all scales. This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using FPN in a basic Faster R-CNN system, our method achieves state-of-the-art singlemodel results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries including those from the COCO 2016 challenge winners. In addition, our method can run at 6 FPS on a GPU and thus is a practical and accurate solution to multi-scale object detection. Code will be made publicly available.

04

Focal Loss for Dense Object Detection(文献阅读)

动机尽管两阶段检测器取得了成功，那么问题就是:一个简单的单阶段能达到类似的精度吗?单阶段应用于目标位置、尺度和纵横比的常规、密集采样。最近在YOLO和SSD等单阶段上的研究显示出了很有前景的结果，与

02

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

选自 Medium 作者：Jonathan Hui 机器之心编译目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。机器之心之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结

07

从RCNN到SSD，深度学习目标检测算法盘点

之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结合以前的文章加强理解。

02

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

选自 Medium 作者：Jonathan Hui 机器之心编译目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。机器之心之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结

02

两阶段目标检测指南：R-CNN、FPN、Mask R-CNN

计算机视觉中最基本和最广泛研究的挑战之一是目标检测。该任务旨在在给定图像中绘制多个对象边界框，这在包括自动驾驶在内的许多领域非常重要。通常，这些目标检测算法可以分为两类：单阶段模型和多阶段模型。在这篇文章中，我们将通过回顾该领域一些最重要的论文，深入探讨用于对象检测的多阶段管道的关键见解。

03

一位算法工程师从30+场秋招面试中总结出的超强面经——目标检测篇（含答案）

作者灯会为21届中部985研究生，凭借自己整理的面经，去年在腾讯优图暑期实习，七月份将入职百度cv算法工程师。在去年灰飞烟灭的算法求职季中，经过30+场不同公司以及不同部门的面试中积累出了CV总复习系列，此为目标检测篇。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

02

参数少一半、速度快3倍：最新目标检测核心架构来了

研究者在这篇论文中提出了 Matrix Net (xNet)，它是一种用于目标检测的深度架构。研究者利用 xNet 加强基于关键点的目标检测，并且在 MS COCO 数据集上获得了 47.8 的 mAP，这比其它任何一步（single-shot）检测器效果都要好，而且参数量减半。重要的是，相比效果第二好的架构，xNets 在训练上要快了 3 倍。

02

在目标检测中如何解决小目标的问题？

在深度学习目标检测中，特别是人脸检测中，由于分辨率低、图像模糊、信息少、噪声多，小目标和小人脸的检测一直是一个实用和常见的难点问题。然而，在过去几年的发展中，也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。

01

YOLO v4：物体检测的最佳速度和精度

您只需看一次（YOLO）是快速、准确的单阶段目标检测器。最近发布的YOLO v4与其他目标检测器相比，显示出非常好的结果。

03

参数少一半、速度快3倍：最新目标检测核心架构来了

作者：Abdullah Rashwan、Agastya Kalra、Pascal Poupart

03

PPDet：减少Anchor-free目标检测中的标签噪声，小目标检测提升明显

论文地址：https://arxiv.org/pdf/2008.01167.pdf

03

CVPR2021：IoU优化——在Anchor-Free中提升目标检测精度（附源码）

目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。

02

IoU优化——在Anchor-Free中提升目标检测精度（附源码）

目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。

01

最新的目标检测的深度架构 | 参数少一半、速度快3倍+（文末福利）

研究作者提出了 Matrix Net (xNet)，一种用于目标检测的新深度架构。xNets将具有不同大小尺寸和纵横比的目标映射到网络层中，其中目标在层内的大小和纵横比几乎是均匀的。因此，xNets提供了一种尺寸和纵横比感知结构。

04

首发 | 何恺明团队提出 Focal Loss，目标检测精度高达39.1AP，打破现有记录

翻译|AI科技大本营（rgznai100）参与 | 周翔，尚岩奇他可谓神童。 2009年，在 IEEE 举办的 CVPR 大会上，还在微软亚研院(MSRA)实习的何恺明的第一篇论文“Single Image Haze Removal Using Dark Channel Prior”艳惊四座，获最佳论文，这是第一次完全由中国人组成的团队获得该奖项。 2016年，何恺明所在团队的另一篇论文“Deep Residual Learning for Image Recognition”再获 CVPR 最佳论文奖

06

视频讲解(RCNN,FasterRCNN,FPN,MaskRCNN)

01懒人学RCNN.mp4 02懒人学FastRCNN.mp4 03懒人讲FasterRCNN之简介.mp4 04懒人学FasterRCNN之融合.mp4 05懒人讲FasterRCNN之RPN.mp4 06懒人讲FPN之引言.mp4 07懒人讲FPN之深入浅出FPN.mp4 08懒人讲FPN之FasterRCNN实践.mp4 09懒人学MaskRCNN之介绍.mp4

04

GPT-CV：基于Yolov5的半监督目标检测

半监督目标检测（SSOD）已经成功地提高了R-CNN系列和无锚检测器的性能。然而，一级基于锚的检测器缺乏生成高质量或灵活伪标签的结构，导致SSOD中存在严重的不一致性问题。在今天分享中，提出了一个高效的教师框架，用于可扩展和有效的基于单阶段锚的SSOD训练，该框架由密集检测器、伪标签分配器和Epoch适配器组成。Dense Detector是一个基线模型，它以YOLOv5为灵感，使用密集采样技术扩展了RetinaNet。高效教师框架引入了一种新的伪标签分配机制，称为伪标签分配器，它更精细地利用了密集检测器中的伪标签。

01

GPT理解的CV：基于Yolov5的半监督目标检测

半监督目标检测（SSOD）已经成功地提高了R-CNN系列和无锚检测器的性能。然而，一级基于锚的检测器缺乏生成高质量或灵活伪标签的结构，导致SSOD中存在严重的不一致性问题。在今天分享中，提出了一个高效的教师框架，用于可扩展和有效的基于单阶段锚的SSOD训练，该框架由密集检测器、伪标签分配器和Epoch适配器组成。Dense Detector是一个基线模型，它以YOLOv5为灵感，使用密集采样技术扩展了RetinaNet。高效教师框架引入了一种新的伪标签分配机制，称为伪标签分配器，它更精细地利用了密集检测器中的伪标签。

03

CVPR：IoU优化——在Anchor-Free中提升目标检测精度（附源码）

计算机视觉研究院专栏作者：Edison_G 目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 1 简要目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。今天分享中，研究者提出了伪IoU：一个简单的度量

02

常用的表格检测识别方法-表格区域检测方法（上）

表格检测识别一般分为三个子任务：表格区域检测、表格结构识别和表格内容识别。本章将围绕这三个表格识别子任务，从传统方法、深度学习方法等方面，综述该领域国内国外的发展历史和最新进展，并提供几个先进的模型方法。

01

详细解读 | Google与Waymo教你如何更好的训练目标检测模型！！！（附论文）

通过更好的模型架构、训练和推理方法的结合，目标检测系统的速度-精度Pareto曲线得到了改进。在本文中系统地评估了各种各样的技术，以理解现代检测系统的大多数改进来自哪里。

02

一文读懂目标检测中的anchor free 和anchor base

作者丨龙场悟道来源丨知乎https://zhuanlan.zhihu.com/p/273646465 编辑丨AiCharm

04

多目标跟踪 | FairMOT：统一检测、重识别的多目标跟踪框架，全新Baseline

论文地址：https://arxiv.org/pdf/2004.01888v2.pdf

04

当前最佳的YOLOv4是如何炼成的？细数那些小细节

目标检测在近几年开始发展成熟，但即便如此，竞争依旧激烈。如下所示，YOLOv4 宣称已经实现了当前最前沿技术的准确度，同时还能维持较高的处理帧率。使用 Tesla V100 GPU，在 MS COCO 数据集上以接近 65 FPS 的推理速度，YOLOv4 实现了 43.5% AP （65.7% AP₅₀）的准确度。但对于目标检测而言，高准确度早已不是唯一的目标。我们还希望边缘设备也能流畅地运行这些模型。因此，如何使用低成本硬件实时地处理输入视频也成为了一个重要的研究方向。

05

OTA：目标检测中的最优传输分配

该论文主要是关于目标检测中的标签分配问题，作者创新性地从全局的角度重新审视了该问题，并提出将标签分配问题看成是一个最优运输问题。要知道最优传输问题是当前最优化理论和GAN理论研究领域中的一个很火的研究课题。论文的实验效果俱佳，而且作者还提供了相应的源码。

02

最新的目标检测的深度架构 | 参数少一半、速度快3倍+

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式计算机视觉研究院专栏作者：Edison_G 研究作者提出了 Matrix Net (xNet)，一种用于目标检测的新深度架构。xNets将具有不同大小尺寸和纵横比的目标映射到网络层中，其中目标在层内的大小和纵横比几乎是均匀的。 Matrix Nets 这是一个「矩阵网络」，它的参数少、效果好、训练快、显存占用低。简要介绍研究作者提出了 Matrix Net (xNet)，

02

谷歌大脑新技术——多尺度特征金字塔结构用于目标检测

当前最先进的目标检测卷积结构是手动设计的。在这里，我们的目标是学习一个更好的特征金字塔网络结构的目标检测。

02

AI数钢筋

AI数钢筋在社会智能化的发展趋势之下，越来越多的传统行业开始向着数字化的方向转型，而建筑行业也正经历着通过人工智能技术实现的改革。钢筋是建筑业的重要材料，庞大的数量、工地现场环境复杂以及人工点验错漏等现实因素为钢筋点验工作制造了难度，那么如何才能快速且准确地完成对于整个建筑施工过程极为重要的钢筋点验工作环节呢？今天就带大家了解一下“AI数钢筋”——通过人工智能技术实现钢筋数量统计。 1 问题背景钢筋数量统计是钢材生产、销售过程及建筑施工过程中的重要环节。目前，工地现场是采用人工计数的方式对进场的

05

VarifocalNet (VF-Net)一种新型的目标检测网络

几周前，当我在做一个物体检测Kaggle竞赛时，我偶然发现了VarifocalNet。我非常惊讶地看到它与许多SOTA对象检测模型(如YoloV5和EfficientDet)相匹配，在某些情况下甚至优于它们。我自己查阅了这篇论文，我非常喜欢。它引入了许多我发现有趣的新概念，如Varifocal Loss，IoU-aware classification score (IACS)，等等。

04

CSL-YOLO | 超越Tiny-YOLO V4，全新设计轻量化YOLO模型实现边缘实时检测！！！

由于计算资源有限，开发轻量级目标检测器是必要的。为了降低计算成本，如何生成冗余特征起着至关重要的作用。

04

IENet: Interacting Embranchment One Stage Anchor Free Detector

航空图像中的目标检测是一项具有挑战性的任务，因为它缺乏可见的特征和目标的不同方向。目前，大量基于R-CNN框架的检测器在通过水平边界盒(HBB)和定向边界盒(OBB)预测目标方面取得了显著进展。然而，单级无锚解仍然存在开放空间。提出了一种基于逐像素预测检测器的航空图像定向目标单级无锚检测器。我们通过开发一个具有自我注意机制的分支交互模块来融合来自分类和框回归分支的特征，从而使它成为可能。在角度预测中采用几何变换，使预测网络更易于管理。我们还引入了一种比正多边形借条更有效的借条损耗来检测OBB。在DOTA和HRSC2016数据集上对所提出的方法进行了评估，结果表明，与最先进的检测器相比，我们所提出的IENet具有更高的OBB检测性能。

01

RetinaNet在航空图像行人检测中的应用

航空图像中的目标检测是一个具有挑战性且有趣的问题。随着无人机成本的降低，航空影像数据量的激增，拥有能够从航空数据中提取有价值的信息的模型将非常有用。

03

基于YOLOv8的工业部署解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss

💡💡💡本文提供工业部署级解决方案：多头检测器+大小缺陷一网打尽GiraffeDet+Wasserstein Distance Loss，助力工业缺陷检测，大幅提升产线检测能力

02

目标检测 | 基于扩展FPN的小目标检测方法

摘要：小目标检测仍然是一个尚未解决的挑战，因为很难仅提取几个像素大小的小目标信息。尽管在特征金字塔网络中进行尺度级别的相应检测可以缓解此问题，但各种尺度的特征耦合仍然会损害小目标检测的性能。本文提出了扩展特征金字塔网络（EFPN，extended feature pyramid network），它具有专门用于小目标检测的超高分辨率金字塔层。具体来说，其设计了一个模块，称为特征纹理迁移（FTT，feature texture transfer），该模块用于超分辨率特征并同时提取可信的区域细节。此外，还设计了前景-背景之间平衡（foreground-background-balanced）的损失函数来减轻前景和背景的面积不平衡问题。在实验中，所提出的EFPN在计算和存储上都是高效的，并且在清华-腾讯的小型交通标志数据集Tsinghua-Tencent 100K和微软小型常规目标检测数据集MS COCO上产生了最好的结果。

02

FCOSv2.0强势归来！在COCO上达到50.4mAP(目前已开源)

FCOS+DeformConv2+ResNeXt101+BiFPN 在COCO上能刷到50.4 AP！

02

【深度学习】目标检测

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

01

Double FCOS: A Two-Stage Model UtilizingFCOS for Vehicle Detection in VariousRemote Sensing Scenes

在各种遥感场景中进行车辆检测是一项具有挑战性的任务。各种遥感场景与多场景、多质量、多尺度和多类别的图像混杂在一起。车辆检测模型存在候选框不足、正建议采样弱和分类性能差的问题，导致其应用于各种场景时检测性能下降。更糟糕的是，没有这样一个覆盖各种场景的数据集，用于车辆检测。本文提出了一种称为双完全卷积一阶段目标检测（FCOS）的车辆检测模型和一个称为多场景、多质量、多尺度和多类别车辆数据集（4MVD）的车辆数据集，用于各种遥感场景中的车辆检测。双FCOS是一种基于FCOS的两阶段检测模型。在RPN阶段利用FCOS生成各种场景中的候选框。精心设计了两阶段正样本和负样本模型，以增强正建议采样效果，特别是在FCOS中忽略的微小或弱车辆。在RCNN阶段设计了一个两步分类模型，包括建议分类分支和点分类分支，以提高各种类型车辆之间的分类性能。4MVD是从各种遥感场景中收集的，用于评估双FCOS的性能。4MVD上的双FCOS对五类车辆检测的平均准确率为78.3%。大量实验表明，双FCOS显著提高了各种遥感场景下的车辆检测性能。

03

50.4 AP！FCOS再升级！简单而强大的anchor-free目标检测器

FCOS+DeformConv2+ResNeXt101+BiFPN 在COCO上能刷到50.4 AP！

01

工人规范操作识别检测 yolov5

工人规范操作识别检测通过yolov5+python网络模型技术，工人规范操作识别检测对工人的操作进行实时监测，当工人规范操作识别系统检测到工人操作不符合规范时，将自动发出警报提示相关人员采取措施。行为检测合规算法中应用到的YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。这种增强方法可以将几张图片组合成一张，这样不仅可以丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。

02

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection

任意方向的目标广泛出现在自然场景、航拍照片、遥感图像等，任意方向的目标检测受到了广泛的关注。目前许多旋转检测器使用大量不同方向的锚点来实现与ground truth框的空间对齐。然后应用交叉-联合(IoU)方法对正面和负面的候选样本进行训练。但是我们观察到，选择的正锚点回归后并不能总是保证准确的检测，而一些阴性样本可以实现准确的定位。这说明通过IoU对锚的质量进行评估是不恰当的，进而导致分类置信度与定位精度不一致。本文提出了一种动态锚学习(DAL)方法，利用新定义的匹配度综合评价锚的定位潜力，进行更有效的标签分配过程。这样，检测器可以动态选择高质量的锚点，实现对目标的准确检测，缓解分类与回归的分歧。在新引入的DAL中，我们只需要少量的水平锚点就可以实现对任意方向目标的优越检测性能。在三个遥感数据集HRSC2016、DOTA、UCAS-AOD以及一个场景文本数据集ICDAR 2015上的实验结果表明，与基线模型相比，我们的方法取得了实质性的改进。此外，我们的方法对于使用水平边界盒的目标检测也是通用的。

01

即插即用 | S-FPN全新的金字塔网络，更适合轻量化模型的FPN

过去的许多研究表明，特征金字塔中的特征图可以在不同尺度上捕捉物体的视觉特征。浅层保留了细节，如纹理、角落等；深层覆盖了更广泛的语义特征。在真实的场景中，不同大小的物体经常出现在一起，如何同时检测它们成为一个关键问题。而FPN的出现显著提高了目标检测性能，并成为大多数SoTA目标检测器的标准组成部分。

01

【前沿】何恺明大神ICCV2017最佳论文Mask R-CNN的Keras/TensorFlow/Pytorch 代码实现

摘要我们提出了一个概念上简单、灵活和通用的用于目标实例分割（object instance segmentation）的框架。我们的方法能够有效地检测图像中的目标，同时还能为每个实例生成一个高质量的

09

M2Det: A Single-Shot Object Detector based on Multi-Level读)

为解决目标实例尺度变化带来的问题，特征金字塔广泛用在一阶段目标检测器(比如，DSSD，RetinaNet，RefineDet)和两阶段目标检测器(比如Mask R-CNN， DetNet)。尽管这些使用特征金子塔的目标检测器具有很好的结果，但是由于仅仅根据固有的多尺度(为目标分类任务而设计的骨干的金字塔结构)。最新的，在这个工作中，作者提出了一个方法称为多级金字塔网络(Multi-Level Feature Pyramid Network, MLFPN)来构建检测不同尺度目标更有效的金子塔。

03

ScopeHead：别再聚类了，把anchor送入网络中一起学习

论文地址：https://arxiv.org/pdf/2005.04854.pdf

02

MoCo不适用于目标检测？MSRA提出对象级对比学习的目标检测预训练方法SoCo！性能SOTA！（NeurIPS 2021）

本文分享 NeurIPS 2021 论文『Aligning Pretraining for Detection via Object-Level Contrastive Learning』MSRA提出对象级对比学习的目标检测预训练方法！性能SOTA！

04

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

最先进的目标检测网络依赖于区域建议算法来假设目标位置。SPPnet和Faster R-CNN等技术的进步，降低了检测网络的运行时间，但是暴露了区域提案计算的瓶颈。在这项工作中，我们引入了一个与检测网络共享全图像卷积特性的区域建议网络(RPN)，从而实现了几乎免费的区域建议。RPN是一个完全卷积的网络，它同时预测每个位置的目标边界和目标得分。对RPN进行端到端训练，生成高质量的区域建议，Faster R-CNN对其进行检测。通过共享卷积特性，我们进一步将RPN和Faster R-CNN合并成一个单独的网络——使用最近流行的具有“Attention”机制的神经网络术语，RPN组件告诉统一的网络去哪里看。对于非常深的VGG-16型号，我们的检测系统在GPU上帧率为5帧(包括所有步骤)，同时在PASCAL VOC 2007、2012和MS COCO数据集上实现了最先进的目标检测精度，每张图像只有300个proposal。在ILSVRC和COCO 2015年的比赛中，Faster R-CNN和RPN是在多个赛道上获得第一名的基础。

02

YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍！！

YOLO系列的核心思想就是把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭