我要评论目录
无锚框目标检测算法 anchor-free detectors
-
目标检测的基本范式
-
什么是目标检测
-
目标检测 vs 图像分类
-
-
目标检测 in 人脸识别
-
目标检测 in 智慧城市
-
目标检测 in 自动驾驶
-
目标检测 in 下游视觉任务
-
目标检测技术的演进
-
-
-
基础知识
-
框、边界框（bounding box）
-
交并比 intersection over union
-
-
目标检测的基本思路（从滑窗到密集预测）
-
检测问题的难点
-
滑窗 sliding widow
- 滑窗的效率问题
- 改进思路2：分析滑窗中的重复计算
- 消除滑窗中的重复计算
-
感受野（receptive field）
-
-
感受野的中心和步长
-
- 有效感受野（effective rf）
- 在特征图上进行密集预测
- 边界框回归 bounding box regression
- 基于锚框 vs 无锚框
- 非极大值抑制 non-maximum suppression
-
置信度 confidence score
-
-
-
使用卷积实现密集预测
- 使用密集预测模型进行推理
- 基本流程：
- 用模型做密集预测，得到预测图，每个位置包含类别概率、边界框回归的预测结果
- 保留预测类别不是背景的“框”
- 基于“框”中心，和边界框回归结果，进行边界框解码
- 后处理：非极大值抑制（non-maximum suppression）
- 基本流程：
- 如何训练
- 密集预测模型的训练
-
匹配的基本思路
-
-
密集预测的基本范式
-
- 密集预测范式的改进：多尺度预测
- 如何处理尺度问题：
- 使用密集预测模型进行推理
-
- 锚框
- 基于锚框anchor
- 图像金字塔 image pyramid
- 基于层次化特征
- 特征金字塔网络 feature pyramid network 2016
- 多尺度的密集预测
- 基于锚框anchor
-
单阶段 & 无锚框检测器 选讲
- rpn（region proposal network 2015）
-
rpn的主干网络
-
- 代码
-
-
-
基于iou的匹配
-
- yolo：you only look once 2015
-
yolo的匹配与框编码
-
-
yolo的损失函数
-
-
yolo的优点和缺点
-
-
ssd：single shot multibox detector 2016
- ssd的匹配规则
- retinanet 2017
-
单阶段算法面临的正负样本不均衡问题
-
-
- focal loss
- yolo v3 2018
- yolo v5 2020
-
无锚框目标检测算法 anchor-free detectors
- 锚框 vs 无锚框
-
fcos-fully convolutional one-stage 2019
-
-
fcos的预测目标 & 匹配规则
-
-
fcos的多尺度匹配
-
-
中心度center-ness
-
-
fcos的损失函数
-
-
centernet2019
-
-
yolo x 2021
-
-
发表评论