- 综合排序
- 最热优先
- 最新优先
- 来自专栏登神长阶
【论文复现】DETR3D：3D目标检测
概述 DETR3D介绍了一种多摄像头的三维目标检测的框架。与现有的直接从单目图像中估计3D边界框或者使用深度预测网络从2D信息中生成3D目标检测的输入相比，DETR3D直接在3D空间中进行预测。 这些特征可以选择性的由特征金字塔网络增强 一个检测头，以集合感知的方式将计算出的2D特征连接到一组3D边界框预测中。检测头的每一层都是从一组稀疏的对象查询开始，这些查询是从数据中学习的。 DETR3D采用了一个集合到集合的损失来训练网络 特征学习 检测头 在相机输入中检测物体的现有方法通常采用自下而上的方法，该方法预测每张图像的密集边界框，过滤图像之间的冗余框，并在后处理步骤中汇总相机之间的预测 DETR3D采用下面描述的自顶向下的目标检测头来解决这些问题。 参考文献 github地址 论文地址
1.7K10编辑于 2024-12-18 - 来自专栏一点人工一点智能
论文分享 | 恶劣天气下的3D目标检测
这一现象对3D目标检测等高级任务的性能产生不利的影响。 接下来将介绍三个与之相关的研究工作：01 雨天环境下的鲁棒3D目标检测论文题目：Towards Robust 3D Object Detection In Rainy Conditions作者：Aldi （更多细节请见原文）1.3 实验结果02 用于鲁棒3D目标检测的LiDAR降雪模拟论文题目：LiDAR Snowfall Simulation for Robust 3D Object Detection 3. 利用STF数据集（极端天气点云数据集）进行数据的增强，训练鲁棒的检测模型。 第一篇工作提出了一个检测流程，用于提高基于LiDAR的3D目标检测方法对道路喷雾现象的鲁棒性。第二篇工作研究了基于LiDAR的降雪条件下三维目标检测数据模拟问题。
1.7K22编辑于 2024-03-28 - 来自专栏深度学习和计算机视觉
ECCV 2020论文大盘点-3D目标检测篇
随着自动驾驶的火热，3D目标检测在计算机视觉领域持续升温，学术和工业界都有众多研究学者，这其中基于点云数据的3D目标检测是主流，近年来基于单目RGB数据的也越来越多了。 Davis 单位 | 马里兰大学；Salesforce Research 论文 | https://arxiv.org/abs/2007.08556 动态信息建模的3D目标检测。 ? 目标检测。 3D目标检测+3D点云 [6].Finding Your (3D) Center: 3D Object Detection Using a Learned Loss 作者 | David Griffiths Le, Jonathon Shlens, Dragomir Anguelov 单位 | Waymo LLC；谷歌 论文 | https://arxiv.org/abs/2004.00831 点云中3D目标检测的数据增广
1.1K50发布于 2020-09-30 - 来自专栏我爱计算机视觉
3D目标检测仍是研究热点，改造传统、聚焦难题！目标检测论文推荐
推荐三篇今天（2023.1.9）新出目标检测方向论文，其均为3D目标检测，其中两篇论文来自图森未来，方法上一篇多视图+两篇点云方向。 ▌Object as Query: Equipping Any 2D Object Detector with 3D Detection Ability 作者单位：北航；图森未来 论文链接： https 摘要：在过去的几年里，多视角图像的三维物体检测已经引起了人们的关注。现有的方法主要是从多视角图像中建立3D表示，并采用密集的检测头进行物体检测，或者采用分布在3D空间的物体查询来定位物体。 在本文中，我们设计了多视图2D物体引导的3D物体检测器（MV2D），它可以使用任何2D物体检测器来促进多视图3D物体检测。 ▌Super Sparse 3D Object Detection 作者单位：中科院；图森未来 代码链接： https://github.com/tusen-ai/SST 论文链接： https://
1.4K30编辑于 2023-03-06 - 来自专栏人工智能LeadAI
边缘检测论文笔记
摘要：这篇论文提出了一种基于FCNN和深度监督网络的新的边缘检测算法HED，它解决了两个重要的问题，1）整体图片的训练和预测，2）多尺度多层级的特征学习。 下图中的图c即为HED输出的边缘检测结果，d-f是不同side layer（后面会具体提到）的输出，g-i是Canny边缘检测器的输出。可以看到HED效果明显更好。 ? 6b3b50c8-7eaf-4e06-a3d2-52fa8455c1b5.png 其中I，I-和I+分别代表总像素，非边缘像素和边缘像素的个数。 文中提到做了以下更改： A）连接侧输出层（side output layer）到每一个阶段的最后一个卷积层在，分别为conv1 1，conv3 conv2 2，3，3 conv4，conv5 3。 bf0ceac9-69c8-49f4-a1da-e1f8210e5e52.png 总结：这篇论文提出的HED方法进行边缘检测还是很可靠的，它提出的这种从深度网络的每一层引一个侧面输出出来再进行混合的思想也可以借鉴
1.3K20发布于 2018-07-30 - 来自专栏计算机视觉理论及其实现
最新目标检测论文
目录【1】多方向目标检测：水平边界框上的滑动顶点【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测【3】基于PSNet和边框回归的弱监督目标检测(WSOD)【4】带有可见IoU和Box Sign multi-oriented object detection》时间：20191123作者团队：华科(白翔组)&武大&上交链接：https://arxiv.org/abs/1911.09358注：本论文性能优于 Object Detection》时间：20191125（AAAI 2020）作者团队：华为诺亚&中山大学链接：https://arxiv.org/abs/1911.09929注：又一篇用NAS做目标检测的论文 最高可达45.9mAP，优于同类的NAS-FPN和DetNASSM-NAS Pipeline----【3】基于PSNet和边框回归的弱监督目标检测(WSOD)《WSOD with PSNet and Box 解读：DIoU YOLOv3：更加稳定有效的目标框回归损失----【9】CoAE：用于One-Shot目标检测的共同注意和共同激励《One-Shot Object Detection with Co-Attention
1.9K30编辑于 2022-09-03 - 来自专栏Frank909
自动驾驶激光点云 3D 目标检测 PointPillar 论文简述
之前有针对 VoxelNet 这篇论文做过简述，今天的主题是 PointPillar。 点云到伪图像的转换 2D backbone 网络学习高层次表征 检测头进行 3D Box 的检测和回归 点云到伪图像 在 VoxelNet 当中会将所有的点云切割成一个一个 Grid 称为 Voxel 现在，还需要做一步工作，将点云根据索引移动回来原来的位置，产生伪图像(pseudo-image),尺寸是 (CxHxW)，HW是画布的高和宽. backbone 和 2D 目标检测一样，3D 目标检测网络中也有 Detection Head PointPillar 中是用 SSD 来做 3D 检测的。 与先验的 box 对比采样的也是 2D 的 IoU。 PointPillar 论文中有提到，它是跟随 SECOND 的思路做的一张 lookup table，然后对于每个类别随机取样。 之后就是常规的旋转、翻转、缩放、平移之类。
2.7K30编辑于 2021-12-06 - 来自专栏Frank909
自动驾驶激光点云 3D 目标检测 VoxelNet 论文简述
论文：VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection 这是 2017 年的论文出自苹果公司算法团队，这篇论文对于刚学习激光雷达目标检测的同学来讲非常有参考价值 图像和点云 摄像头对环境进行测量，产生的一般是 RGB 格式图片，图片上的一个像素通常有 rgb 3 个颜色通道的数据。 一般说图像数据是稠密的。 图像上的目标检测大多是 2D 的 bbox。 激光点云数据要做 3D 检测，效果如下图： 激光雷达也对环境进行测量，产生的是点云数据，所谓点云就是一个坐标有(x,y,z,r)这样的数据，xyz 代表 3 维坐标，r 代表信号反射强度。 论文中提到，RPN 中的 FCN网络分为 3 块。 每一块都会实现 2x 效果的下采样率。 然后，又实现了向上采样，将倒数 3 块上采样到固定的尺寸，然后拼接起来。 数据增强 在论文中数据增强洋洋洒洒写了 3 段，核心思想无非就是提出一种“pertutation"的操作。 将 3D box 绕 Z 轴旋转一定角度，然后 xyz 施加随机范围内的偏移量。
2.1K30编辑于 2021-12-06 - 来自专栏GiantPandaCV
目标检测论文解读之RCNN
前言 最近准备开始认真的梳理一下目标检测的相关算法，组合成一个目标检测算法系列。之前看到了一张特别好的目标检测算法分类的甘特图，但忘记是哪里的了，要是原始出处请提醒我标注。 ? 我也会按照这个图来讲解目标检测算法。 背景介绍 什么是目标检测 所谓目标检测就是在一张图像中找到我们关注的目标，并确定它的类别和位置，这是计算机视觉领域最核心的问题之一。 目标检测算法分类 上面那张甘特图已经说明了目标检测算法主要分为两类，即： Two Stage目标检测算法。 RCNN算法 贡献 RCNN是第一个使用卷积神经网络来对目标候选框提取特征的目标检测算法。 RCNN成为了当时目标检测领域的SOAT算法，虽然现在很少有人使用到了，但论文的思想我们仍可以借鉴。任何事情都要经历一个从无到有的过程。
92210发布于 2019-12-04 论文检测，论文降AI率，降AI率的工具
一、精准检测，让 AI 痕迹无所遁形文字滚筒鸭拥有自研的前沿检测算法，对论文、自媒体文章等各类文本展开深度扫描。它就像一位经验老到的侦探，不放过任何一处 AI 生成的蛛丝马迹。 比如论文中那些过于规整、缺乏灵活变化的句式，或是自媒体文章里频繁出现的热门 AI 词汇组合，都逃不过它的 “法眼”。 经它检测出的 AI 率数据精准可靠，为后续降重提供坚实依据，让你对内容的原创度了如指掌。二、强力降重，一键抹去 AI 痕迹检测出问题后，重头戏来了 —— 降 AI 率。 一番操作下来，能将 AI 率大幅降低，使重复率稳稳控制在 3% 以内，让文章重新焕发原创生机。三、论文查重，保驾护航学术之路对于学生和学者而言，论文查重是一道绕不开的关卡。 一旦发现重复内容，即刻标记，并结合降重功能，给出针对性修改建议，助力论文顺利通过查重，为学术创作筑牢诚信基石。
1.1K21编辑于 2025-04-23- 来自专栏arXiv每日学术速递
【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。 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。 03 推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。 06 推荐理由：这篇文章提出了一种多层对抗网络用于适配双阶段检测器，所提出的网络主要包含两部分，分层域特征对齐和聚合的proposal特征对齐。 那么这些目标检测的论文怎样才能又好又快地吃透呢？
1.1K20编辑于 2022-05-23 - 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】
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 1.YOLO V3论文精读 2.YOLO V3细节讲解 3.实验结果分析 4.论文总结 ↓ 前方福利 ↓ 原价399元，现在0.1元领取！ 扫码添加客服 即可领取↓ 免费领目标检测论文PDF
1.9K50编辑于 2022-04-28 - 来自专栏深度学习自然语言处理
【论文推荐】《目标检测》必看的8篇论文【附pdf】
本文就为大家推荐其中8篇最新的目标检测论文。 那么这些目标检测的论文怎样才能又好又快地吃透呢？ 这次我们请来了BAT算法工程师——张老师，推出【目标检测】YOLO V5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、6月23日20:30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.YOLO V3回顾和YOLO V3理论知识详解 4.注意事项 扫码添加客服 即可领取↓ 回复“目标检测论文”免费领目标检测论文PDF
1.7K10编辑于 2022-06-27 - 来自专栏机器学习炼丹术
轮廓检测论文解读 | 整体嵌套边缘检测HED | CVPR | 2015
参考目录： 0 轮廓检测 1 论文概述 2 HED结构 3 损失函数 4 损失函数 TF 5 总结 0 轮廓检测 轮廓检测，对我这样的初学者而言，与语义分割类似。 分割任务是什么我就不再赘述了，轮廓检测则是完成这样的一个任务： ? 1 论文概述 相关论文：《Holistically-Nested Edge Detection》 论文链接：https://arxiv.org/abs/1504.06375 论文年份：2015 今天解读一篇论文 3 损失函数 这个损失函数算是deep supervision比较常见的损失函数了，就是每一个side-output输出都是损失函数的一部分。 class_balanced_sigmoid_cross_entropy(dsn2, annotation_tensor) + \ class_balanced_sigmoid_cross_entropy(dsn3,
1.7K10发布于 2020-12-16 - 来自专栏专知
【论文推荐】最新5篇目标检测相关论文——显著目标检测、弱监督One-Shot检测、多框检测器、携带物体检测、假彩色图像检测
【导读】专知内容组整理了最近目标检测相关文章，为大家进行介绍，欢迎查看! 1. 期刊：arXiv, 2018年1月12日 网址： http://www.zhuanzhi.ai/document/80f3bdfa4352eb512e0381b011eb0cc3 3. 期刊：arXiv, 2018年1月12日 网址： http://www.zhuanzhi.ai/document/c36923f4e7fabe48f08c3cf8761353de 4. 期刊：arXiv, 2018年1月14日 网址： http://www.zhuanzhi.ai/document/7ba03632fa7f61fb8172f312de77552f 更多论文请上专知查看： PC登录 www.zhuanzhi.ai 点击论文查看
1.4K70发布于 2018-04-12 【论文解读】transformer小目标检测综述
本文的结构如下：在第3节中，论文提出了一个基于transformer的SOD技术的分类，并对每个类别进行了全面的深入研究。第4节展示了用于SOD的不同数据集，并跨一系列应用程序对它们进行了评估。 在一种相关的方法中，DETR++使用了多个双向特征金字塔层（BiFPN），它们以自底而上的方式应用于来自C3、C4和C5的特征图。然后，只选择一个代表所有尺度特征的尺度，输入DETR框架进行检测。 小目标偏好DETR（SOFDETR），特别支持通过在输入到DETR-transformer之前合并来自第3层和第4层的卷积特征来检测小目标。 MRD-1800是为了检测和实例分割的双重目的，有1800张手动注释的图像，其中包括3种类型的目标：飞机、船只和储罐。 在表3中，检查和评估了所有报告其在MS COCO上的结果（从他们的论文汇编）的检测技术的性能。
2.2K10编辑于 2024-02-21- 来自专栏登神长阶
【论文复现】实时开放词汇目标检测
概述 论文：YOLO-World: Real-Time Open-Vocabulary Object Detection 代码： AILab-CVC/YOLO-World: Real-Time Open-Vocabulary 为了应对固定词汇检测器的限制，开放词汇目标检测（OVD）的概念应运而生，旨在识别超出预先建立类别范围之外的对象。 文本对比头(Text Contrastive Head) 使用了yolov8的解耦头和俩个3×3卷积。因为要计算目标-文本的相似度，所以提出文本对比头。 RepVL-PAN使用的和YOLOv8相似的特征融合结构，包括了自上而下和自下而上的路径，使用了多尺度的图像特征 {C3,C4,C5}搭建了特征金字塔 {P3,P4,P5}。 ，下方的文本框输入想检测的类别，然后点击submit就能在右边生成检测结果。
2.9K10编辑于 2024-11-30 - 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
一、简要 在本研究中，研究者提出了一种有效的深度卷积神经网络(DCNN)结构，利用手持照相机拍摄的照片来检测水稻的生长阶段(DVS)。 本研究提供了一种物候学检测方法来实时利用手持照相机图像，并对在现实场景中使用深度学习有了一些重要的见解。 然而，对作物物候学检测的深度学习研究仍然非常有限。Yalcin（Plant phenology recognition using deep learning: Deep-pheno. a–d are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from
67220发布于 2021-05-31 - 来自专栏CSDN社区搬运
检测图像P图痕迹(论文复现)
二、概述 本文通过解读并复现两篇论文，来揭秘AI图像篡改检测领域的相关研究。 四、论文思路 这两篇论文的核心思路是利用多视角和多尺度的方式来监督图像篡改检测模型的训练。传统的方法通常只关注整个图像,而这些工作认为不同的区域和尺度对于检测也很重要。 模型框架图 六、损失函数 为了实现多视角多尺度监督,这两篇论文都设计了相应的损失函数。ICCV论文只使用多尺度交叉熵损失,TPAMI论文将以下两种损失相加作为总损失。 通过这种方式，篡改检测模型能够生成一幅精确的篡改区域图，帮助用户识别和定位图像中的不真实内容。 由于原论文只给出了推理代码，而无训练代码，因此本文主要复现其训练过程，达到如上图所示结果。 feature 步骤3： 定义MVSS模型（此模型在原论文中有给出），并将第一步中的卷积神经网络模型model
1.2K10编辑于 2024-11-15 - 来自专栏计算机视觉战队
目标检测集 | ECCV 2020 论文大盘点(附论文&代码下载)
主要包括：弱监督目标检测、目标检测定位提精、带方向目标的检测、Anchor-free 目标检测、点云目标检测和少样本目标检测等。 ECCV2020所有论文下载地址：https://www.ecva.net/index.php。 ? Carlo Biffi, Steven McDonagh, Philip Torr, Ales Leonardis, Sarah Parisot 单位 | 华为；Mila Montr´eal；牛津大学 论文地址 Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu 单位 | 厦门大学；Pinterest；南科大；腾讯优图（上海） 论文地址 作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang 单位 | 悉尼大学，商汤CV研究小组；中科院&国科大；商汤 论文地址
98420发布于 2020-11-17
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