- 综合排序
- 最热优先
- 最新优先
- 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】
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。 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。 ? 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 ? 计算机视觉顶会 CVPR 2020 提供了很多目标检测等领域的研究论文，如果你想获取更多论文信息，请点击以下网址：https://openaccess.thecvf.com/CVPR2020。
2K20发布于 2020-07-28 - 来自专栏专知
【论文推荐】最新6篇目标检测相关论文—场景文本检测 、显著对象、语义知识转移、混合监督目标检测、域自适应、车牌识别
【导读】专知内容组整理了最近六篇目标检测（Object Detection）相关文章，为大家进行介绍，欢迎查看! 1. :同时检测、排序和对多个显著对象进行分类） ---- ---- 作者：Md Amirul Islam,Mahmoud Kalash,Neil D. 期刊：arXiv, 2018年3月14日 网址： http://www.zhuanzhi.ai/document/b6695a5d1ab6be2c9f4fbdf20b39334c 4. 期刊：arXiv, 2018年3月13日 网址： http://www.zhuanzhi.ai/document/2e2345f4710f476c4db6b74cd91eada8 5. 期刊：arXiv, 2018年3月9日 网址： http://www.zhuanzhi.ai/document/767826c575554d3e41a85f2903a81ace 6.
1.8K71发布于 2018-04-16 - 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。 论文二Mutual Graph Learning for Camouflaged Object Detection题目：用于伪装目标检测的互图学习? article/details/116483919 https://blog.csdn.net/qq_41684249/article/details/115739761 http://mtw.so/6wm2Rs
4.8K51编辑于 2022-09-02 - 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。 ? b47c51c8-7caf-4cbe-a67b-6a61babefb3c.png 算法总览 ? 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 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 现已开源----【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《Residual Bi-Fusion Feature Pyramid Network for Accurate
1.9K30编辑于 2022-09-03 - 来自专栏专知
【论文推荐】最新6篇目标检测（Object Detection）相关论文—物体链接、手机端、三维地图、航空图像、检测与姿态估计
【导读】专知内容组整理了最近六篇目标检测（Object Detection）相关文章，为大家进行介绍，欢迎查看! 1. Object Detection in Videos by Short and Long Range Object Linking（基于长短范围物体链接的视频物体检测方法） ---- ---- 作者：Peng Detection Using Deep Neural Networks with Images Captured Through a Smartphone（用深度神经网络对手机端获取的图像进行道路损伤检测 期刊：arXiv, 2018年1月26日 网址： http://www.zhuanzhi.ai/document/8bf028a010ae26a53b35facb23b76491 6. 期刊：arXiv, 2018年1月25日 网址： http://www.zhuanzhi.ai/document/6d8a16854c4df21e9fca775ae85c80c6
1.4K50发布于 2018-04-13 - 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。 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： ? 论文中给出这样的对比图，看起来HED的效果非常的不错： ? 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 2 HED结构 来看下论文中给出的HED的结构图： ?
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. 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 Weakly Supervised One-Shot Detection with Attention Siamese Networks（基于注意力机制的Siamese网络的弱监督One-Shot检测） 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
鉴于这个主题的新颖性和复杂性，论文的评论主要优先考虑2022年后提出的作品。此外，论文还阐明了在更广泛的应用范围中用于定位和检测小目标的新数据集。 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。 图6说明了其多头注意模块内的计算过程。可变形的DETR受益于它的编码器和解码器模块，编码器内的复杂度顺序为O（HW C2），其中H和W为输入特征图的高度和宽度，C为通道数。 图10显示了这些数据集的时间顺序以及截至2023年6月15日的引文计数。UAV123：该数据集包含123个用无人机获取的123个视频，是全球最大的帧数超过110K帧的目标跟踪数据集之一。 表6显示了该数据集现有研究报告的性能指标（结果从他们的论文整理）。HTDet是为此特定应用程序而确定的唯一的基于transformer的技术。
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 传统的目标检测模型如YOLO由于依赖于预定义和训练过的目标类别（闭集检测），它在开放场景中的适用性受到了限制，例如，使用COCO数据集训练的模型仅能识别80个不同的类别。 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。 通过引入“提示-然后检测”的方法论，YOLO-World避开了即时文本编码的需要，而是利用用户提示生成的离线词汇来进行检测。 ，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。 color:#3300aa">print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f
1.2K10编辑于 2024-11-15 - 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. are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from 6
67220发布于 2021-05-31 - 来自专栏菩提树下的杨过
pygame 笔记-6 碰撞检测
这一节学习碰撞检测，先看原理图： ? 2个矩形如果发生碰撞(即：图形有重叠区域)，按上图的判断条件就能检测出来，如果是圆形，则稍微变通一下，用半径检测。 如果是其它不规则图形，大多数游戏中，并不要求精确检测，可以在外层套一个矩形，大致用上图的原理检测。 img_base_path + 'actor/R5.png'), pygame.image.load(img_base_path + 'actor/R6. img_base_path + 'actor/L5.png'), pygame.image.load(img_base_path + 'actor/L6. 6) pygame.draw.rect(win, (255, 0, 0), self.hit_box, 2) 这样处理后，运动起来的样子如下： ?
1.6K40发布于 2018-12-28 - 来自专栏贾志刚-OpenCV学堂
YOLOv6 人脸Landmark检测
微信公众号：OpenCV学堂 关注获取更多计算机视觉与深度学习知识 YOLOv6人脸检测模型 YOLOv6上次（应该是很久以前）发布了一个0.3.1版本，支持人脸检测与五点landmark调用，后来我就下载 个值五点XY坐标 输出解析顺序 官方代码与参考文档给出的解析顺序，xyxy, conf, cls, lmdks，这部分还有官方的参考文件： https://github.com/meituan/YOLOv6/ blob/yolov6-face/yolov6/core/inferer.py 第110行就是这样说明的，于是我按上述格式一通解析，结果让我崩溃了，输入图像与解析结果如下： 这个时候我才明白为什么这个发布了这么久 ，网上居然一篇文章关于YOLOv6人脸检测的文章都没有，网上的文章很多都是YOLOv5跟YOLOv7的人脸+Landmark检测，原因一切都是有原因的。 整个推理的流程跟YOLOv5、YOLOv6对象检测一样，就是后处理不同，所以附上后处理部分的代码： def wrap_detection(self, input_image, out_data):
55630编辑于 2023-08-22
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