- 综合排序
- 最热优先
- 最新优先
- 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. MSDNN: Multi-Scale Deep Neural Network for Salient Object Detection（MSDNN: 基于多尺度深度神经网络的显著目标检测） ---- 作者 期刊：arXiv, 2018年1月11日 网址： http://www.zhuanzhi.ai/document/ba031e3396d77bcaa435ab62296aab7e 5. 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。 ? 2ad5a9b5-6939-4451-8181-2bf62c9f171c.png 所以总体的损失函数为： ? 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
预测器的遮挡性行人检测【5】CSPNet：可以增强CNN学习能力的新型Backbone【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测【7】目标检测的性能上界讨论【8 【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构【14】IPG-Net：用于目标检测的图像金字塔引导网络 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 Predictor》时间：20191127作者团队：清华大学链接：https://arxiv.org/abs/1911.11449注：性能优于OR-CNN等网络网络结构----【5】CSPNet：可以增强
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YOLO大作战
YOLO论文分享（5）： IHA-YOLO: 用于实时细胞检测的跨检测头注意力机制，ISBI 2025
本文摘要：以下是论文"IHA-YOLO: Inter-Head Attention for Real-time Cell Detection"的贡献：模型结构创新引入Inter-Head Attention 改进的检测头设计：对传统的YOLO检测头进行了改进，设计了多尺度特征融合的检测头结构，能够更有效地利用不同层次的特征信息，进一步提升了对细胞目标的检测能力。 小目标检测能力提升：细胞通常具有较小的尺寸，因此论文中特别关注了对小目标的检测能力提升。 博主简介AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富 (P3, P4, P5)1.2 性能分析平均mAP与FPS可视化结果2.总结 可以将Inter-Head Attention二次创新至YOLO11、YOLOv12；
70710编辑于 2025-04-02 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。 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。 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。 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 - 来自专栏登神长阶
【论文复现】LeNet-5
出自论文 《Gradient-Based Learning Applied to Document Recognition》 。 C3层（卷积层） 使用16个5×5大小的卷积核，padding=0，stride=1，得到16个10×10大小的特征图 激活函数： ReLu 可训练参数：6×(5×5×3+1)+6×(5×5×4+1)+ 3×(5×5×4+1)+1×(5×5×6+1)=1516 16 个卷积核并不是都与 S2 的 6 个通道层进行卷积操作，如下图所示，C3 的前六个特征图（0,1,2,3,4,5）由 S2 的相邻三个特征图作为输入 S2 间断的四个特征图作为输入对应的卷积核尺寸为：5x5x4；最后的 15 号特征图由 S2 全部(6 个)特征图作为输入，对应的卷积核尺寸为：5x5x6。 C5 层是卷积层，使用 120 个 5×5x16 大小的卷积核，padding=0，stride=1进行卷积，得到 120 个 1×1 大小的特征图：5-5+1=1。
1.1K10编辑于 2024-11-30 - 来自专栏计算机视觉战队
Yolo-Z：改进的YOLOv5用于小目标检测（附原论文下载）
论文地址：https://arxiv.org/pdf/2112.11798.pdf 随着自动驾驶汽车和自动驾驶赛车越来越受欢迎，对更快、更准确的检测器的需求也在增加。 本研究探讨了如何修改流行的YOLOv5目标检测器以提高其在检测较小对象方面的性能，特别是在自主赛车中的应用。 为此，研究者提出了一系列不同尺度的模型，将其命名为“YOLO-Z”，当以50%的IoU检测较小的物体时，这些模型的mAP提升高达6.9%，而代价与原始YOLOv5相比，推理时间增加了 3ms。 研究者们的目标是为未来的研究提供有关调整流行检测器（例如YOLOv5）以解决特定任务的潜力的信息，并提供有关特定更改如何影响小物体检测的见解。 其他修改可见论文。
5.2K20编辑于 2022-01-28 - 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 - 来自专栏决策智能与机器学习
论文精读|5th|YOLO v3的新特性|目标检测|附下载
获得源代码及YOLO论文，请关注公众号并回复：20180508 特点1: 更好，而不是更快，更强 YOLO v2（即YOLO9000）在当时是最快、最准确的物目标检测算法。 特点2：Darknet-53 YOLO v2使用的深度底层框架是Darknet-19，包含19个卷积层和5个最大池化层。在此基础上，再叠加11层网络来进行目标检测。 用来进行识别的卷积核的尺寸为1 x 1 x ( B x ( 5 +C ) )，其中B代表一个cell中包含的边界框（bounding box）数量，5代表边界框的4个属性和物体置信度，C是物品类别数。 特点5：锚箱的选择 YOLO v3总共使用了9个锚箱（anchor box），每个尺度各3个锚箱。如果你在自己的数据集上应用YOLO，你需要使用K平均聚类方法自行创建9个锚箱。 比如，对于416 x 416的输入图像，YOLO v2共应用了13 x 13 x 5 = 845个边界框。对于每个cell，采用5个锚箱进行检测。 而YOLO v3则在三个不同的尺度设置了边界框。
80920发布于 2020-08-04 - 来自专栏脑机接口
论文周报 | 第5期
该论文提出了一种基于典型相关分析（CCA），特征提取和高斯混合模型（GMM）的实时伪影去除算法，以提高EEG信号的质量。 论文地址： https://www.hindawi.com/journals/jhe/2018/5081258/ 脑电情绪识别：脑功能连接网络与局部激活信息结合 导读： 情绪状态的转变通常会激活脑电功率谱的变化 该论文构建了一种具有相位锁定值的情绪相关脑网络，采用多特征融合方法将补偿激活信息与连接信息相结合进行情绪识别，以提高情绪识别的能力。 特征选择过程 激活模式主要反映被试者在不同情绪状态下的能量差异。 论文主要研究了功率谱密度(PSD)，微分熵(DE)，DASM，RASM，ASM，DCAU 这六个能量特征分布在不同情绪下的表现，如下图所示。 论文地址： https://ieeexplore.ieee.org/document/8634938
74520发布于 2020-06-30 - 来自专栏CSDN社区搬运
LeNet-5（论文复现）
出自论文《Gradient-Based Learning Applied to Document Recognition》。 C3层（卷积层） 使用16个5×5大小的卷积核，padding=0，stride=1，得到16个10×10大小的特征图 激活函数： ReLu 可训练参数：6×(5×5×3+1)+6×(5×5×4+ 1)+3×(5×5×4+1)+1×(5×5×6+1)=15166×(5×5×3+1)+6×(5×5×4+1)+3×(5×5×4+1)+1×(5×5×6+1)=1516 16 个卷积核并不是都与 S2 C5 层是卷积层，使用 120 个 5×5x16 大小的卷积核，padding=0，stride=1进行卷积，得到 120 个 1×1 大小的特征图：5-5+1=1。 激活函数： ReLU 可训练参数：120×(5×5×16+1)=48120120×(5×5×16+1)=48120 F6层（全连接层） F6 是全连接层，共有 84 个神经元，与 C5 层进行全连接
89710编辑于 2024-11-30 - 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 因为有5个图，所以损失是五个的和； fusion：五个图fusion出得Y，这个Y与ground truth的交叉熵； 所以论文中有这样的损失函数： ? 5 总结 这里谈一谈我看了这个2015年的老前辈模型的收获把： HED是一个边缘检测模型，但是使用的和Unet的框架有些类似。
1.7K10发布于 2020-12-16 【论文解读】transformer小目标检测综述
在第5节中，论文分析并将这些结果与之前来自CNN网络的结果进行了对比。本文在第6节中总结了一些结论。 BVR块如图5所示，它通过将中心点和角点（键）无缝集成到基于锚定（查询）的目标检测方法中，增强了锚定盒的特征表示。 在CF-DETR 的情况下，提出了一种FPN的替代方法，即在第5级（E5）用编码器特征替换C5特征，从而改进了目标表示。该创新被命名为transformer增强型FPN（TEF）模块。 例如，SPH-Yolov5 在Yolov5网络的较浅层中增加了一个新的分支，以融合特征，以改进小目标定位。它还首次在Yolov5管道中加入了Swintransformer预测头。 表5比较了三种基于transformer的研究与两级和一级检测器的准确性和mAP（结果汇编自他们的论文）。MStransformer成为这个数据集上最好的技术，尽管竞争有限。
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 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}。 /yolo_world_v2_m_obj365v1_goldg_pretrain-c6237d5b.pth data/images 'person,dog,cat' --topk 100 --threshold /yolo_world_v2_m_obj365v1_goldg_pretrain-c6237d5b.pth 运行成功然后在浏览器访问http://127.0.0.1:8080可以看到下面的界面，左上方输入检测的图片 ，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 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 图片mmpose不同于yolo，SSD等目标检测模型，在视频中进行关节点检测的速度要小于目标检测，即使在边缘计算的盒子上进行部署，也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景 ，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么，就要自行通过这些坐标进行算法设计，比如引体向上计数，可以通过判断头部节点与肘部节点的坐标进行判断计数 ，对于摔倒，可以通过判断视频前后帧的头部，腰部等关节点进行检测，判断是否摔倒。
1.6K00编辑于 2022-12-05 - 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. In 2017 The sixth international conference on agro-geoinformatics (pp. 1–5). https://doi.org/10.1109/ 三、研究地域 实验地域（23° 5′ 52″–23° 7′ 23″ N, 108° 57′ 7″–108° 58′ 34″ E）位于中国广西宾阳县。
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
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