- 综合排序
- 最热优先
- 最新优先
- 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。 ? f00428d6-c6fd-4d73-b027-4d90045cc31c.png 权重混合数层 为了最好地利用本论文提出的结构中的每个侧输出层的结果，我们增加了一个“权重混合层”用来将所有的侧输出层的预测结果连接到一起并且在训练的过程中学习混合权重 8cd9b33f-de83-464d-9ab4-5a18e94a35ea.png 同时，论文还特别探讨了隐藏监督层的必要性，即之前在侧输出层进行的卷积操作；因为会有人觉得有了权重混合层之后之前的隐藏监督层就没有必要了 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 WSOD 网络结构----【4】带有可见IoU和Box Sign预测器的遮挡性行人检测《Occluded Pedestrian Detection with Visible IoU and Box Sign abs/1911.12451注：在作者的计算方式下，PASCAL VOC (test2007) 的上界可以达到 91.6%，COCO (val2017) 可以达到 78.2%， OpenImages V4
1.9K30编辑于 2022-09-03 - 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 - 来自专栏AI算法与图像处理
CVPR2022论文速递（2022.4.27）！共4篇！3D目标检测，代码开源！
Apr 2022 total number : 4 Focal Sparse Convolutional Networks for 3D Object Detection 论文/Paper: http Context-Aware Sequence Alignment using 4D Skeletal Augmentation 论文/Paper: http://arxiv.org/pdf/2204.12223 此外，我们引入了一种自监督学习方案，该方案由用于 3D 骨架表示的新型 4D 增强技术提供支持。我们系统地评估了我们方法的关键组成部分。 我们的 DArch 由两个阶段组成，包括牙齿质心检测和牙齿实例分割。准确检测牙齿质心可以帮助定位单个牙齿，从而有利于分割。因此，我们的 DArch 建议在协助检测之前利用牙弓。 4,773 个牙科模型的实验结果表明，我们的 DArch 可以准确分割牙科模型的每颗牙齿，其性能优于最先进的方法。
1.1K20编辑于 2022-05-19 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。 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。文字滚筒鸭深知其重要性，与全网丰富的学术数据源实时对接，上传论文瞬间，便开启逐字逐句的严谨比对。 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。 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 2、6月24日20:30直播 1.YOLO V5论文精读 2.YOLO V5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↓ 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 4 损失函数 TF 现在万事俱备，官方提供了代码，来看一下这个损失函数的TF版本： def class_balance_sigmoid_cross_entropy(logits,label,name=' class_balanced_sigmoid_cross_entropy(dsn3, annotation_tensor) + \ class_balanced_sigmoid_cross_entropy(dsn4,
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/4e0a1be0e6121feadd4f2a0acec752aa 2. 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 - 来自专栏时空探索之旅
论文拾遗 | 4月论文集锦
因此，决定开设此栏目，分享有一些有意思的论文（热度大），有部分论文可能后续出AI论文速读和论文精读。 关键词：语言模型，时间序列，零样本推理 通过GPT-4获取可以执行以生成信号的代码来生成真实的时间序列和文本对 3. （就5页） 关键词：Mamba，Transformer，时间序列预测 MambaFormer 4. 关键词：扩散模型，时间序列，时空数据，生成模型，预测，生成，插补，异常检测，分类 Diffusion models for TS&ST 时空数据（Spatial-temporal） 包括但不限于：持续学习 关键词：Visual Mamba，状态空间模型 4.
68210编辑于 2024-11-19 【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。 三、用于小目标检测的transformer 在本节中，论文将讨论基于transformer的SOD网络。小目标检测器的分类法如图4所示。 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。 然而，如表4所示（结果来自论文），ReDet通过其多尺度学习策略和在ImageNet数据集上的预训练进行区分，达到了最高的精度值（80.89%），只需要12个训练期。
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 在线词汇表 在训练过程中，为每个包含4幅图像的马赛克样本构建一个在线词汇表 。 离线词汇表 提出了一种以“提示后检测”的策略，使用离线词汇以进一步提高效率。 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}。 注意：YOLO-World是在4个节点（每个节点配有8个GPU，总计32个GPU）上训练的。 /tools/dist_train.sh configs/pretrain/yolo_world_l_t2i_bn_2e-4_100e_4x8gpus_obj365v1_goldg_train_lvis_minival.py
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.
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。 五、模型结构 这两篇论文的模型结构都是基于卷积神经网络,但做了相应改进。 ICCV的会议论文提出了一种新的金字塔特征融合模块,将不同尺度的特征进行融合。 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。
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 - 来自专栏CV学习史
GoogLeNetv4 论文研读笔记
为此，他们设计了Inception v4，相比v3，它有更加统一简化的网络结构和更多的inception模块 在本文中，他们将两个纯Inception变体(Inception-v3和v4)与消耗相似的 Inception-v4网络的35 * 35 网格模块，对应Inception-v4的Inception-A ? Inception-v4网络的17 * 17 网格模块，对应Inception-v4的Inception-B ? Inception-v4网络的8 * 8 网格模块，对应Inception-v4的Inception-C ? 35 * 35 -> 17 * 17 的降维模块(Fig7) ? 之后Inception-ResNet-v2与Inception-v4相比，架构的总体结构可以看出是很相似的，最大的区别在于数据是否是直接传到下一层的，如下 Inception-v4(Inception-A
94620发布于 2019-09-10 - 来自专栏Mybatis学习
YOLO V4论文解读
YOLO V4论文解读 一、YOLOV3回顾 二、YOLOV4中 三、Bag of freebies 数据扩充： 模拟对象遮挡： 结合多幅图像进行数据扩充： 解决类别不平衡： label smoothing 、 Random training shapes (随机多尺度的训练) 12、 Mish activation 13、 CSP 14、 SPP 15、 SAM-block 16、 PAN YOLO V4论文地址 AP：代表的是精度 FPS：代表的是检测速度 YOLOV4的精度比YOLOV3提高了很多 Input:图像或者是经过处理的图像 BackBone:特征提取网络 Neek:FPN(yolov3)、 上的检测任务，CSPDarknet53比CSPResNext50更好。 DIoU-NMS 不仅考虑了检测区域的重叠，而且还考虑了检测区域间的中心点距离。 ? 6、 CmBN ? ?
1.2K30发布于 2021-06-21 - 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
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？
1K30编辑于 2022-06-28 - 来自专栏我爱计算机视觉
CVPR 2020 论文大盘点-目标检测篇
本文盘点CVPR 2020 所有目标检测相关论文，总计64篇论文，感觉最大的特点是3D目标检测研究工作很多有21篇，尤其是工业界单位，可能是自动驾驶热带来的。 2D目标检测依然很热，神经架构搜索也开始在此领域发力。少样本、跨域的工作也很值得关注，最有意思的可能是伪装目标检测了，值得学习。 已经开源代码的论文，也把代码地址附上了。 大家可以在： http://openaccess.thecvf.com/CVPR2020.py 按照题目下载这些论文。 如果想要下载所有CVPR 2020论文，请点击这里： CVPR 2020 论文全面开放下载，含主会和workshop 3D目标检测 LiDAR-Based Online 3D Video Object Zhe Wang, Jianping Shi, Zhiwu Lu, Ping Luo 单位 | 香港大学；中国人民大学；北大；商汤等 代码 | https://github.com/dingmyu/D4LCN
1.9K20发布于 2020-06-19
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