- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI算法札记
目标检测2: 目标检测20年综述之(二)
本文是目标检测方向的第二篇，也是综述的第二部分，第一篇见目标检测1: 目标检测20年综述之(一)。 这两篇的目的主要是让读者对目标检测任务有直观的认识，后续介绍细节时有一定的概念储备，无需关注细节。 5.2.2 Detection with object proposals 目标proposa参考一组可能包含任何目标的与类别无关的候选框，它于2010年首次应用于目标检测。 每个预定义anchor box的损失包括两部分：1)用于分类的交叉熵损失和2)目标定位的L1/L2回归损失。 由于CNN在正向传播过程中自然形成了一个特征金字塔，所以更容易在较深的层中检测到较大的目标，在较浅的层中检测到较小的目标。 缺点 （1）得分最高的框可能不是最合适的 （2）它可能会抑制附近的物体 （3）它不抑制false positives 5.5.2 BB aggregation 边界框聚合是针对NMS的另一种技术，其思想是将多个重叠的边界框组合或聚类成一个最终的检测结果
76140编辑于 2022-08-02 - 来自专栏简书专栏
目标检测第2步-数据准备
本文作者接触深度学习2个月后，开始进行目标检测实践。 image.png 解压完成后，桌面的目标检测文件夹中如下图所示： ? image.png 2.选择图片 在此数据集中，大部分图片都较为清晰，但是有极少数图片像素点少，不清晰。 在桌面的目标检测文件夹中新建代码文件xml_to_csv.ipynb，步骤与第2章中相同： 打开cmd——>运行jupyter notebook——>新建代码文件——>代码文件重命名 复制下面一段代码到代码文件 在桌面的目标检测文件夹中新建代码文件csv_to_tfrecord.ipynb，步骤与第2章中相同： 打开cmd——>运行jupyter notebook——>新建代码文件——>代码文件重命名 复制下面一段代码到代码文件 8.编写配置文件 在桌面文件夹目标检测的文件夹training中，创建配置文件ssdlite_mobilenet_v2_coco.config。 本文作者给读者提供2种方式获得正确的配置文件。
1.5K31发布于 2018-12-21 - 来自专栏AiCharm
视觉显著性目标检测综述（2）
显著性检测是发现显著目标具有非常大的尺度变化，故而针对多尺度特征的提取和学习成为了显著性目标检测模型中被探讨最为频繁的内容。 ，从而获得显著目标的精细边界。 Wu等［56］提出的DCN模型将整个网络分为2个阶段，其中分解网络迭代地利用跨任务聚合和跨层聚合模块同时进行显著性、边缘和骨架图的预测，而在合成网络中，使用边缘和骨架信息学习分别定位显著目标的边界和内部 多尺度特征学习技术赋予神经网络检测多尺度目标的能力，以此处理真实世界中尺度变化多样的显著性目标；注意力机制则能够迫使网络建模语义信息、细节信息等特征相关性，从而保证目标分割的完整性和准确性；多信息辅助路线引入除显著性真值图外其他有效的边缘 参考 [1].基于深度学习的显著性目标检测综述
96521编辑于 2023-05-15 - 来自专栏大数据智能实战
tensorflow MobileNetV2的目标检测测试
谷歌近期又推出了下一代移动视觉应用 MobileNetV2 ，它在 MobileNetV1 的基础上获得了显著的提升，并推动了移动视觉识别技术的有效发展，包括分类、目标检测和语义分割。 MobileNetV2 作为 TensorFlow-Slim 图像分类库的一部分而推出，同时也已经集成到目标检测的包中，同时重要的是提供了预训练模型。 2、模型实验 由于分类的实验本质上包含在目标检测中，此处只对检测进行分析： （1）object_detection包中自带的测试图片，其检测结果如下，可见还是有一些未检测出来的。 ? （2）与上次mobilenetv1实验进行对比，见博客：tensorflow model中目标对象检测包的编译和测试 其中照片位置：https://worldtravelholics.files.wordpress.com 可见mobilenetv2的检测效果比v1版本来得好！
1.7K10发布于 2019-05-26 - 来自专栏GiantPandaCV
目标检测算法之YOLOv2
今天我们将来分析一下YOLO目标检测算法系列的YOLOv2和YOLO9000。 YOLOv2 原理 YOLOv1作为One-Stage目标检测算法的开山之作，速度快是它最大的优势。 高分辨率 当前大多数目标检测网络都喜欢使用主流分类网络如VGG,ResNet来做Backbone，而这些网络大多是在ImageNet上训练的，而分辨率的大小必然会影响到模型在测试集上的表现。 聚类的结果中多是高瘦的box，而矮胖的box数量较少，这也比较符合数据集中目标的视觉效果。 ? 采用YOLOv2，模型的mAP值没有显著提升，但计算量减少了。 ? 在这里插入图片描述 直接位置预测 YOLOv2在引入Anchor的时候碰到第2个问题：模型不稳定，尤其是训练刚开始阶段。 总结 YOLOv2借鉴了很多其它目标检测方法的一些技巧，如Faster R-CNN的anchor boxes, SSD中的多尺度检测。
71120发布于 2019-12-04 - 来自专栏CSDN社区搬运
【FCOS】2D目标检测算法
概述 FCOS提出了一个全卷积的单阶段目标检测器，以逐像素预测的方式解决目标检测，类似于语义分割。 网络输出 对应于训练目标，FCOS网络的最后一层预测分类标签得80D向量p（此时是COCO数据集，总共有90类）和4D边界框坐标向量t=(l,t,r,b)。 此外，由于回归目标总是正的，FCOS网络使用exp(x)将任何实数映射到回归分支顶部的（0，＋∞）。 self, points, targets): object_sizes_of_interest = [ [-1, 64], # 不同的FPN层每层需要规定检测目标的大小 None] - bboxes[:, 0][None] t = ys[:, None] - bboxes[:, 1][None] r = bboxes[:, 2]
39310编辑于 2024-11-28 - 来自专栏计算机视觉战队
20年的目标检测大综述（章节2）
（2）HOG Detector 方向梯度直方图(HOG)特征描述符最初是由N. Dalal和B.Triggs在2005年提出的。 （2）SPPNet 2014年，K. He等人提出了空间金字塔池化网络( Spatial Pyramid Pooling Networks，SPPNet)。 Joseph在 YOLO 的基础上进行了一系列改进，提出了其 v2 和 v3 版本，在保持很高检测速度的同时进一步提高了检测精度。 （2）ILSVRC ImageNet大规模视觉识别挑战(Large Scale Visual Recognition Challenge，ILSVRC)推动了通用目标检测技术的发展。 在开放图像中有两个任务：1) 标准目标检测，2) 视觉关系检测，检测特定关系中成对的目标。
1.1K30发布于 2020-03-04 - 来自专栏FreeBuf
如何使用A2P2V针对特定目标生成攻击序列
关于A2P2V A2P2V，全称为Automated Attack Path Planning and Validation，即自动化攻击路径计划和验证，它是一个计划工具，也是一个网络攻击工具，可以帮助广大研究人员在给特定攻击者目标的情况下确定一组排序攻击序列 A2P2V使用已知的网络拓扑和系统漏洞信息来确定所有攻击序列集，以实现攻击者的目标，并为选定的序列输出所需的步骤（Metasploit命令）。 攻击者的目标：指示状态变化（如ICS系统上的温度变化）或对特定目标主机的远程访问。 漏洞信息：Nessus或Nmap扫描结果或数据自定义（CVS）输入格式。 a2p2v/bin/activate 工具安装： cd a2p2v/ pip install . 工具使用：单目标主机 该工具还可以针对单个目标主机运行： a2p2v --target USER1 此时将会列出可选的漏洞利用模块： TREE#|SCORE|
84010编辑于 2023-03-30 - 来自专栏AI研习社
专栏 | 目标检测算法之YOLOv2
今天我们将来分析一下 YOLO 目标检测算法系列的 YOLOv2 和 YOLO9000。 YOLOv2 ---- 原理 YOLOv1 作为 One-Stage 目标检测算法的开山之作，速度快是它最大的优势。但我们知道，YOLOv1 的定位不够准，并且召回率低。 高分辨率 当前大多数目标检测网络都喜欢使用主流分类网络如 VGG,ResNet 来做 Backbone，而这些网络大多是在 ImageNet 上训练的，而分辨率的大小必然会影响到模型在测试集上的表现。 聚类的结果中多是高瘦的 box，而矮胖的 box 数量较少，这也比较符合数据集中目标的视觉效果。 ? 总结 ---- YOLOv2 借鉴了很多其它目标检测方法的一些技巧，如 Faster R-CNN 的 anchor boxes, SSD 中的多尺度检测。
63921发布于 2019-12-02 - 来自专栏智能算法
目标检测算法YOLO-V2详解
今天，我们一起学习下YOLO-V2跟YOLO-V1比起来都做了哪些改进？ 从速度优化和精确度优化的角度来看，主要有以下内容： Darknet-19结构 YOLO-v2结构 高精度分类器 Anchor卷积 维度聚类 直接位置预测 细粒度特征 多尺度训练 YOLO-v2性能 针对 YOLO-v2结构 既然YOLO-V2的主框架是基于Darknet-19搭建的，我们来看下YOLO-V2的结构，如下图： ? 细粒度特征 我们前面学过SSD通过不同Scale的Feature Map来预测Box，实现多尺度，如下： 目标检测算法SSD结构详解 而YOLO-V2则采用了另一种思路：通过添加一个passthrough YOLOV2性能 对于YOLO-V2的性能，直接看下YOLOV2和其他常见的框架在pascal voc2007数据集上测试结果性能比对表，如下表： ?
1.9K21发布于 2020-07-29 - 来自专栏相约机器人
目标检测新突破！来了解Res2Net深度多尺度目标检测架构
）是一个未被探索的领域，尤其是在目标识别和分割方面将会有额外的收获。 采用和未采用Res2Net块的ResNet50得到的Grad-CAM激活映射（或热图）对比。注意到使用Res2Net后目标覆盖程度有所提高。 图2：瓶颈块和提出的Res2Net模块比较（缩放维度s=4） 这里的概念是通过增加块内的感受野，而不是更细粒度级别的一层一层捕获图像不同尺度，来提高CNN检测和管理图像中目标的能力。 这些Res2Net模块将被移植到标准ResNet或ResNeXt卷积神经网络中，从而提高网络的细粒度。 Res2Net改进的目标识别能力在不同类型分割任务中发挥了重要作用。 这一个问题我没有想出如何纠正，除了假设一些分类任务可能不会严重依赖全目标区分。 因此，Res2Net 的最佳用法似乎侧重于目标识别和任务分割类型。
1.6K00发布于 2019-10-10 - 来自专栏AI研习社
目标检测新突破！来了解Res2Net深度多尺度目标检测架构
）是一个未被探索的领域，尤其是在目标识别和分割方面将会有额外的收获。 采用和未采用Res2Net块的ResNet50得到的Grad-CAM激活映射（或热图）对比。注意到使用Res2Net后目标覆盖程度有所提高。 图2：瓶颈块和提出的Res2Net模块比较（缩放维度s=4） 这里的概念是通过增加块内的感受野，而不是更细粒度级别的一层一层捕获图像不同尺度，来提高CNN检测和管理图像中目标的能力。 这些Res2Net模块将被移植到标准ResNet或ResNeXt卷积神经网络中，从而提高网络的细粒度。 Res2Net改进的目标识别能力在不同类型分割任务中发挥了重要作用。 这一个问题我没有想出如何纠正，除了假设一些分类任务可能不会严重依赖全目标区分。 因此，Res2Net 的最佳用法似乎侧重于目标识别和任务分割类型。
1K30发布于 2019-10-08 - 来自专栏全栈程序员必看
nsga2 matlab,NSGA2算法特征选择MATLAB实现（多目标）
需要优化的两个目标为特征数和精度。 nsga2是一个多目标优化算法。 ~=2&Indices~=3); test_F = newdataMat(site2,:); test_L =Parkinson_label(site2); save train_F train_F; ~=2&Indices~=3); test_F=newdataMat(site2,:); test_L=Parkinson_label(site2); savetrain_Ftrain_F; savetrain_Ltrain_L %目标数量 V = 22; %维度 min_range = zeros(1, V); %下界 max_range = ones(1,V); %上界 %%%%%%%%%%%%%%%%%%%%%%%%%% %目标数量 V=22;%维度 min_range=zeros(1,V);%下界 max_range=ones(1,V);%上界 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
93020编辑于 2022-08-31 - 来自专栏机器学习、深度学习
重温目标检测--YOLO v2 -- YOLO9000
2 Better YOLO v1 主要问题有两个：1）localization error 较高；2）relatively low recall 主要的改进细节如下表所示： ? 提升了 2% mAP High Resolution Classifier： 目前主要的检测方法都使用在 ImageNet 数据库上预训练的分类器。 对于 YOLO v2 我们首先在 448×448尺寸的 ImageNet 数据库训练 10个 epochs，然后在检测数据库上微调。 Dimension Clusters 在 YOLO v2 使用 anchor boxes 我们面临两个问题。 prediction the parametrization is easier to learn, making the networkmore stable Fine-Grained Features ： 针对小目标检测
73020发布于 2019-05-27 - 来自专栏计算机视觉战队
20年的目标检测大综述（章节2++）
（2）From BB to BB (2008-2013) 第一次将BB回归引入目标检测系统是在DPM中。那时的BB回归通常作为一个后处理块，因此它是可选的。 （2）Detection with global context 全局上下文利用场景配置作为对象检测的额外信息源。 在目标检测的早期，NMS并不总是被整合。这是因为当时目标检测系统的期望输出并不完全清楚。 在过去的20年里，NMS逐渐发展成以下三组方法：1) 贪心选择，2) 边界框聚合，3) 学习NMS，如下图所示： （1）Greedy selection 贪心选择是一种老式但最流行的目标检测方法。 （2）HNM in deep learning based detectors 在深度学习时代后期，由于计算能力的提高，在2014-2016年的目标检测中，bootstrap很快被丢弃。
66530发布于 2020-03-05 - 来自专栏登神长阶
【论文复现】FCOS：2D目标检测算法
网络输出 对应于训练目标，FCOS网络的最后一层预测分类标签得80D向量p（此时是COCO数据集，总共有90类）和4D边界框坐标向量t=(l,t,r,b)。 此外，由于回归目标总是正的，FCOS网络使用exp(x)将任何实数映射到回归分支顶部的（0，＋∞）。 self, points, targets): object_sizes_of_interest = [ [-1, 64], # 不同的FPN层每层需要规定检测目标的大小 object_sizes_of_interest_per_level[None].expand(len(points_per_level), -1) ) # [22400,2] 中不同特征层上所有的点的拼接，也就是返回五层特征图结构 return labels_level_first, reg_targets_level_first 其中将不同大小的特征图规定回归特定大小的目标
23510编辑于 2024-12-28 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（2）
只有黄色的网格单元[2,2]处于激活状态。在左侧创建一个新的特征图，用于检测目标的左上角。 检测示例 我们将方块分成9个部分，由此创建了9个特征图，每个用来检测对应的目标区域。 例如，vote_array[0][0]包含左上角区域是否包含目标对应部分的得分。 将ROI应用到特征图上，输出一个3x3数组。 将这些残差模块输出表示为 {C2, C3, C4, C5}，对应于conv2，conv3，conv4和conv5的输出，并且注意它们相对于输入图像具有 {4，8，16，32}像素的步长.考虑到内存占用， 注：上采样尺度因子为2，因为为了和之前下采样卷积的尺度因子等于2一样。上采样是放大，下采样是缩小。 经过分析，造成这种区别的原因是COCO上小目标的数量更多，而小目标受mis alignment问题的影响更大（比如，同样是0.5个像素点的偏差，对于较大的目标而言显得微不足道，但是对于小目标，误差的影响就要高很多
30310编辑于 2024-04-25 - 来自专栏计算机视觉战队
20年的目标检测大综述（章节2+）
（2）Early time’s CNN for object detection 使用CNN检测物体的历史可以追溯到20世纪90年代，当时Y. LeCun等人做出了巨大的贡献。 （2）Detection with object proposals (2010-2015) 对象建议（object proposals）引用一组可能包含任何对象的与类无关的候选框。 目标/对象建议检测算法应满足以下三个要求： 1) 高召回率， 2) 高定位准确率， 3) 在前两个要求的基础上，提高精度，减少处理时间。 现代的建议检测方法可以分为三类：1) 分割分组方法，2) 窗口评分方法，3) 基于神经网络的方法。我们建议读者阅读以下论文，以全面回顾这些方法。 每个预定义锚框的典型损失包括两部分：1) 类别识别的交叉熵损失；2) 目标定位的L1/L2回归损失。损失函数的一般形式可以写成如下形式： ?
94420发布于 2020-03-05 - 来自专栏全栈程序员必看
多目标优化算法（一）NSGA-Ⅱ（NSGA2）
算法简介 NSGA-Ⅱ算法，即带有精英保留策略的快速非支配多目标优化算法，是一种基于Pareto最优解的多目标优化算法。 equal=0;%y'的目标函数值等于个体的目标函数值数目 greater=0;%y'的目标函数值大于个体的目标函数值数目 for k=1:f_num for 每个目标函数 f m f_m fm ： ① 根据该目标函数对该等级的个体进行排序，记 f m m a x f_m^{max} fmmax为个体目标函数值 f m f_m fm end 从二目标优化问题来看，就像是该个体在目标空间所能生成的最大的矩形（该矩形不能触碰目标空间其他的点）的边长之和。拥挤度示意图如图2所示。 ---------- if strcmp(fun,'ZDT2') f_num=2;%目标函数个数 x_num=30;%决策变量个数 x_min=zeros(1,x_num);%决策变量的最小值
15.6K44编辑于 2022-07-21 - 来自专栏图灵技术域
NSGA2算法特征选择MATLAB实现（多目标）
需要优化的两个目标为特征数和精度。 nsga2是一个多目标优化算法。 具体的nsga2通用算法请看：https://www.omegaxyz.com/2018/01/22/new_nsga2/ 具体的特征选择代码在上述代码的基础上改了两个①主函数②评价函数，增加了一个数据分成训练集和测试集的函数 ~=2&Indices~=3); test_F = newdataMat(site2,:); test_L =Parkinson_label(site2); save train_F train_F; %目标数量 V = 22; %维度 min_range = zeros(1, V); %下界 max_range = ones(1,V); %上界 %%%%%%%%%%%%%%%%%%%%%%%%%% PSO单目标特征选择请见：https://www.omegaxyz.com/2018/01/21/psofs/
1.2K32发布于 2021-05-21
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