- 综合排序
- 最热优先
- 最新优先
- 来自专栏MyBlog
6D目标检测简述
6D目标检测简述 本文参考了ITAIC的文章 A Review of 6D Object Pose Estimation 介绍 6D目标检测，和传统的目标检测类似，都是从图像（包括点云）中去识别物体的位置 传统的2D目标检测，像是SSD、YOLO等，识别的结果是一个边界框（bounding box） 而3D目标检测的结果则是一个3D的边界框。 6D目标检测的输出结果包括两个部分： 物体的空间坐标：x, y, z 物体的三个旋转角: pitch, yaw, roll 传统的6D目标检测可以被分类成以下几种： 基于模版匹配 基于点 基于描述子 基于特征 SSD-6D 该方法是将原来目标检测的SSD范式拓展到了6D目标检测领域，使用InceptionV4，估计2D的边界框，并且对所有的视角和旋转进行打分。 在6D姿态识别中，ICP算法可以用来估计目标物体的姿态，即将一个模型与目标物体的点云匹配，找到最合适的姿态使两个模型之间的误差最小化。
1.1K30编辑于 2023-04-28 - 来自专栏机器之心
做目标检测，这6篇就够了：CVPR 2020目标检测论文盘点
选自heartbeat 作者：Derrick Mwiti 机器之心编译 参与：陈萍 CVPR 2020 会议上，有哪些目标检测论文值得关注？ 目标检测是计算机视觉中的经典问题之一。 前不久结束的 CVPR 2020 会议在推动目标检测领域发展方面做出了一些贡献，本文就为大家推荐其中 6 篇有价值的目标检测论文。 ? HGNet 能够有效捕获点之间的关系，并利用多级语义进行目标检测。 这篇论文提出了一种「小样本」目标检测网络，旨在通过少量标注数据使模型有效检测到从未见过的目标。 6. D2Det: Towards High-Quality Object Detection and Instance Segmentation ?
1.8K20发布于 2020-07-28 - 来自专栏PaddlePaddle
【目标检测】SSD目标检测
场景文字识别 目标检测任务的目标是给定一张图像或是视频帧，让计算机找出其中所有目标的位置，并给出每个目标的具体类别。对于人类来说，目标检测是一个非常简单的任务。 与此同时，由于目标会出现在图像或是视频帧中的任何位置，目标的形态千变万化，图像或是视频帧的背景千差万别，诸多因素都使得目标检测对计算机来说是一个具有挑战性的问题。 【目标检测】 SSD目标检测 |1. 概述 SSD全称：Single Shot MultiBox Detector，是目标检测领域较新且效果较好的检测算法之一[1]，有着检测速度快且检测精度高的特点。 但SSD对原始VGG16网络做了一些改变： 将最后的fc6、fc7全连接层变为卷积层，卷积层参数通过对原始fc6、fc7参数采样得到。
4.9K90发布于 2018-04-02 - 来自专栏3D视觉从入门到精通
目标检测领域必看的6篇论文
目标检测是计算机视觉中的经典问题之一，而图神经网络是目前较热的研究方向，两者是否有一些结合的思考呢？ 下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~ 凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。 本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 02 推荐理由：这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 05 推荐理由：这篇论文主要动机是无监督跨域目标检测是一种局部特征对齐，而非传统的全局特征对齐。基于此，他们利用Faster R-CNN的proposals来对源域和目标域实例级特征作选择性对齐。
93230编辑于 2022-06-28 - 来自专栏全栈程序员必看
cvpr目标检测_目标检测指标
特征金字塔（Feature pyramids）是识别系统中用于检测不同尺度目标的基本组件。但是最近的深度学习目标检测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。 此外，我们的方法可以在 GPU 上以 6 FPS 的速度运行，因此是一种实用且准确的多尺度目标检测解决方案。代码将公开发布。 1. 他们的目标是生成一个高分辨率的单一高级特征图，在其上进行预测（图 2 顶部）。相反，我们的方法利用架构作为特征金字塔，其中预测（例如，目标检测）在每个层级上独立进行（图 2 底部）。 在 HOG 和 SIFT 之前，使用 ConvNets [38, 32] 进行人脸检测的早期工作计算了图像金字塔上的浅层网络，以跨尺度检测人脸。 深度卷积网络目标检测器。 最近，FPN在COCO竞赛的所有赛道上都取得了新的最佳成绩，包括检测、实例分割和关键点估计。详见[14]。 6.
1.2K40编辑于 2022-11-15 - 来自专栏计算机视觉理论及其实现
一文看尽 6篇 CVPR2021 伪装目标检测、旋转目标检测论文
本文对 CVPR 2021 检测大类中的“伪装目标检测”、“旋转目标检测”领域的论文进行了盘点，将会依次阐述每篇论文的方法思路和亮点。 在极市平台回复“CVPR21检测”，即可获得打包论文 >>加入极市CV技术交流群，走在计算机视觉的最前沿6月25日，CVPR 2021 大会圆满结束，随着 CVPR 2021 最佳论文的出炉，本次大会所接收的论文也全部放出 ” 、“异常检测”领域的论文进行了盘点，今天我们继续盘点 CVPR 2021 检测大类中的“伪装目标检测和旋转目标检测”领域的论文，将依次阐述每篇论文的方法思路和亮点。 此外，新测试数据集NC4K可以更好地评估伪装目标检测模型的泛化能力。 article/details/116483919 https://blog.csdn.net/qq_41684249/article/details/115739761 http://mtw.so/6wm2Rs
4.5K51编辑于 2022-09-02 - 来自专栏林欣哲
目标检测
今天的这篇是对吴恩达的深度学习微专业的第四节课卷积神经网络的第三周的目标检测的总结。 普通的卷积神经网络我们用来识别一张图片是什么东西。 衡量一个目标检测是否符合标准，就看神经网络识别后的框和数据标注的框的交并比，也就是两者框的交集除以两者框的并集。 这里可能会碰到多次检测的问题，就是在目标附近的几个格子都会认为它检测到了目标，这时候应用非极大值抑制的算法，选出概率最大的格子，并把其他交并比很高的格子抑制（这一步交并比的判断，是因为有可能一个图像里有多个目标被检测出来 ，利用交并比可以只抑制一个目标附近多余的检测，而不能把其他目标的检测都被你抑制了）。 不同类别的目标检测，如车和人，抑制分别跑，一共跑两次。 ?
1.1K80发布于 2018-04-10 - 来自专栏计算机视觉life
目标检测
近几年来，目标检测算法取得了很大的突破。 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 接下来就是如何通过线性回归获得 [外链图片转存失败(img-63l5Z6W6-1562678877766)(https://pic.superbed.cn/item/5d08b6a3451253d178dd9fe3 这其实是所有目标检测算法的通病，SSD对它有些优化，我们后面再看。 6. SSD Faster R-CNN准确率mAP较高，漏检率recall较低，但速度较慢。
1.8K30发布于 2019-07-10 - 来自专栏机器学习、深度学习
目标检测
Network for Fast Object Detection ECCV2016 https://github.com/zhaoweicai/mscnn 本文首先指出 Faster RCNN 在小目标检测存在的问题 随后提出本文的解决思路：1）在不同尺度特征图上进行候选区域提取，2）放大特征图用于检测 the MS-CNN achieves speeds of 10 fps on KITTI (1250×375) 导致小目标的检测效果尤其的差 This creates an inconsistency between the sizes of objects, which are variable, and 我们针对目标检测提出了一个 unified multi-scale deep CNN, denoted the multi-scale CNN (MS-CNN)， 主要包括两个部分： an object 这么做的目的就是靠前的特征图可以检测小目标，靠后的特征图可以检测大目标 4 Object Detection Network 检测网络，这里用了一个反卷积的特征图放大 To the best of
83730发布于 2019-05-26 - 来自专栏浪浪山下那个村
目标检测
的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 检测-Detection：解决“是什么？在哪里？” 目标检测算法分类 Two stage目标检测算法 先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。 常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。 arXiv:http://arxiv.org/abs/1311.2524 github(caffe):https://github.com/rbgirshick/rcnn 2.One stage目标检测算法 常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。
74020编辑于 2022-06-17 - 来自专栏简书专栏
目标检测第6步-使用keras版RetinaNet训练
github工程链接：https://github.com/fizyr/keras-retinanet 此链接中已经具备充分且详细的工程使用指导，本文在此基础上实现数据准备部分的csv文件生成、利用检测模型实现视频检测效果这 0.配置代码运行环境 0.1 硬件配置要求 所有的目标检测工程都需要有较大显存的显卡才能够运行，本文作者在编写此文时使用的是8GB显存的RTX2070显卡。 本文作者没有测试6GB显存的显卡是否能运行此工程，读者可以自己尝试。 只有Nvidia品牌的显卡可以运行深度学习，AMD品牌的显卡不可以运行深度学习。 如果购买资金充足，建议购买GTX1080Ti，此版本已经停售，市面上可购二手，11G显存可以运行绝大多数的目标检测算法模型。 数据集压缩文件n01440764.tar下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 在桌面新建文件夹keras_RetinaNet
3.4K11发布于 2019-04-18 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（6）
8.3.7 RetinaNet 研究背景 Two-Stage 检测器（如Faster R-CNN、FPN）效果好，但速度相对慢。 One-Stage 检测器（如YOLO、SSD）速度快，但效果一般。 结合Focal Loss的one-stage检测器称为RetinaNet ，该检测器在COCO上mAP可以和特征金字塔网络（feature pyramid network，FPN）或者Mask R-CNN 分类器训练失败，检测精度自然就降低了。 问：为什么在two-stage检测器中，没有出现类别不平衡（class inbalance）问题？ 答：因为通过RPN阶段可以减少候选目标区域，而在分类阶段，可以固定前景和背景比值（foreground-to-background ratio）为1：3，或者使用OHEM（online hard example RetinaNet检测器与当时最佳的其他检测器进行比较，无论是速度上还是准确率上都是最佳： 详解： 作者提出一种新的损失函数，思路是希望那些hard examples对损失的贡献变大，使网络更倾向于从这些样本上学习
27210编辑于 2024-05-05 - 来自专栏计算机视觉战队
目标检测 | Anchor free的目标检测进阶版本
今天说的是《Soft Anchor-Point Object Detection》，其也是最近关于anchor free的目标检测的论文，作者来自于CMU，一作同样也是FSAF（2019 CVPR）的作者 背景 _ Anchor free是目标检测领域的一个研究热点，其主要可以分为anchor-point和keypoint两类。后者在往往在一个高分辨率的特征图上进行检测，其优点是准确率高，但是计算量大。 而anchor-point的方法往往在多个分辨率上进行检测，结构简单，速度更快。 整体框架其实和FSAF是类似 ●Soft-Weighted Anchor Points ● 清晰的目标更容易获得关注和更高的分数，而边缘或者被遮挡的目标比较难检测。具体的问题如下： ? ●Soft-Selected Pyramid Levels ● 该问题实际上在FSAF中也研究过，即如何选择合适的分辨率（尺度）来进行目标的检测。FSAF是通过loss来选择合适的分辨率。
1.2K30发布于 2020-11-10 - 来自专栏CNNer
【目标检测】开源 | TIDE：目标检测错误分析工具
TIDE: A General Toolbox for Identifying Object Detection Errors 原文作者：Daniel Bolya 内容提要 本文介绍了TIDE，一个用于分析目标检测和实例分割算法中的误差来源的框架和关联的工具盒
2.5K30发布于 2020-11-03 - 来自专栏AI算法与图像处理
视频目标检测与图像目标检测的区别
前言 本文介绍了知乎上关于视频目标检测与图像目标检测的区别的几位大佬的回答。主要内容包括有视频目标检测与图像目标检测的区别、视频目标检测的研究进展、研究思路和方法。 基于单帧图像的目标检测 ---- 在静态图像上实现目标检测，本身是一个滑窗＋分类的过程，前者是帮助锁定目标可能存在的局部区域，后者则是通过分类器打分，判断锁定的区域是否有（是）我们要寻找的目标。 基于视频的目标检测 ---- 单帧不够，多帧来凑。在视频中目标往往具有运动特性，这些特性来源有目标本身的形变，目标本身的运动，以及相机的运动。 第三种：频域特征的利用 在基于视频的目标检测中，除了可以对目标空间和时间信息进行分析外，目标的频域信息在检测过程中也能发挥巨大的作用。比如，在鸟种检测中，我们可以通过分析翅膀扇动频率实现鸟种的判别。 首先，从概念上来讲，视频目标检测要解决的问题是对于视频中每一帧目标的正确识别和定位。那么和其他领域如图像目标检测、目标跟踪有什么区别呢？
2.9K21发布于 2021-10-27 - 来自专栏云+分享
目标检测 | FPN，多尺度目标检测经典Backbone
归纳总结 Name Value 标签 #多尺度 目的 针对目标检测任务中，目标尺度变化的问题，设计了特征金字塔网络 方法 构建多层特征图之间的联系，合理利用高层语义信息和底层位置信息 总结 是目标检测模型的标配 ，较好地解决了多尺度检测问题 2. 问题背景 作者提到，在2017年以前，目标检测中的一个基本挑战就是目标检测模型在处理目标多尺度变化问题的不足，因为在当时很多网络都使用了利用单个高层特征，(比如说Faster R-CNN利用下采样四倍的卷积层 所示的是经典的图像金字塔结构，其通过对不同尺度的图像提取特征，来构建特征金字塔，因此其需要对不同尺度图像分别提取特征，计算量大且消耗内存多； 图（b）所示的是2017年常见的利用最后一层（高层）特征图检测目标的模型结构 ，其对于多尺度目标的检测能力不足； 图（c）是一种利用卷积神经网络固有的多尺度特征图构建的多尺度检测模型（如SSD），但是其没有结合高层语义信息和底层位置信息，因此检测精度一般； 图（d）即FPN结构，
1.3K30编辑于 2022-04-11 - 来自专栏贾志刚-OpenCV学堂
【论文推荐】《目标检测》必看的6篇论文【附pdf】
下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~ 凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。 本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 这次我们请来了BAT算法工程师——张老师，推出【目标检测】论文精讲直播，为期2天，对论文和实验结果进行手把手分析，还有直播现场互动答疑，彻底夯实目标检测基础。 直播嘉宾： —— 直播内容与安排 —— 1、4月28日20:00直播 1.为什么要学习目标检测论文 2.目标检测发展历程与前进方向 3.学习路径推荐 4.注意事项 2、4月29日20:00直播 扫码添加客服 即可领取↓ 免费领目标检测论文PDF
1.8K50编辑于 2022-04-28 - 来自专栏AI科技评论
训练目标检测模型只需要这 6 行代码
在你的定制数据集上训练目标检测模型的分步教程。 原标题 | Train Object Detection AI with 6 lines of code 作者 | Moses Olafenwa 翻译 | 珺毅（浙江师范大学） 编辑 | Pita 在你的定制数据集上训练目标检测模型的分步教程 目标检测是计算机视觉意义最深远的层面之一，因为它要求你在图片或者视频中定位、识别、跟踪感兴趣的物体。 从去年我出版了我的第一篇目标检测的文章《10行代码的目标检测》，我已经收到了来自开发者，项目团队，学生还有研究员们的数千条请求，他们想在提供了超过了80种类别的COCO数据集和提供了超过了600种类别的 lines-of-code-6d087063f6ff
1.7K61发布于 2019-08-21 YOLOv6深度解析：实时目标检测的新突破
在计算机视觉领域，目标检测一直是最具挑战性的任务之一。如何在保证检测精度的同时实现实时推理，是工业界和学术界共同关注的核心问题。 整体架构的重新思考YOLOv6并非简单的版本迭代，而是对整个检测框架的系统性重构。美团团队从骨干网络、特征融合层到检测头都进行了深度优化，形成了一套完整的技术解决方案。 这种设计不仅提升了小目标的检测能力，还增强了模型对复杂场景的理解能力。更重要的是，BiC模块的计算开销极小，几乎不增加推理时间，体现了美团团队在工程优化方面的深厚功底。 骨干网络的深化是YOLOv6的重要特征，通过增加额外的处理阶段，模型能够更好地处理高分辨率输入。这种设计对于精细化检测任务特别有效，能够显著提升小目标和密集目标的检测精度。2. 高精度模型的突破性表现YOLOv6-L和YOLOv6-L6代表了系列中精度最高的模型，特别是YOLOv6-L6在COCO数据集上实现了当时最先进的实时检测精度。
59500编辑于 2025-08-13- 来自专栏叶子陪你玩编程
目标物检测
之所以出现这种问题，是因为目标物和背景不能很好的区分开。 一般图像预处理，都会有以下一些过程： 转换成灰度图。 检测物体边缘 阈值处理 纯色背景一般到这里就可以了，目标物和背景以及能够很好的区分出来了。 最后通过查找物体的轮廓数量，计算出对应的物体数量。 mask) # 膨胀和腐蚀 mask = cv2.dilate(mask, None, iterations=1) mask = cv2.erode(mask, None, iterations=1) # 检测边缘
53410编辑于 2022-02-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号