Object Detection

Object Detection

Transmission Gate

Mask-RCNN

Transmission Gate

Principal Component Analysis(PCA)

Feature Pyramid Network(FPN)

Regions with Convolution Neural Network(R-CNN)

Region of Interest(RoI)

Single Shot MultiBox Detector(SSD)

Transmission Gate

Logistic Regression(LR)

Click-Through Rate Prediction(CTR)

The Unknown Word

The First Column The Second Column
instance segmentation 实例分割
segmentation [segmen‘tation]分割
pyramid [‘piremid]金字塔
modulation [modju‘leition]调制，调幅度
fps frames per second 每秒17帧
resolution 分辨率[reze‘lution]
anchor 锚（初始化区域）
RoI Region of Interest 感兴趣区域
pooling 汇聚层
mean average precision
concave [ka:n‘keiv] 凹的
convergence [Ken‘ve:gens]集合
perception [per‘seption]知觉，感知
combo [‘kombou]组合体 combo box [组合框]
downsampling layer 下采样层
rectified rectify[‘rekte fai]改正，校正
Fascinating illustration 迷人的插图
LiDAR 激光雷达[‘laide]
autonomous [o:‘ta:nemes]自主的
vehicle [‘vi:hikl]车辆[‘vi:ekl]车辆

原文地址：https://www.cnblogs.com/hugeng007/p/9467404.html

时间： 2024-07-29 19:38:12

Object Detection的相关文章

Paper Reading: Perceptual Generative Adversarial Networks for Small Object Detection

Perceptual Generative Adversarial Networks for Small Object Detection 2017-07-11  19:47:46   CVPR 2017 This paper use GAN to handle the issue of small object detection which is a very hard problem in general object detection. As shown in the followin

CV：object detection(Haar)

一. Haar分类器的前世今生 人脸检测属于计算机视觉的范畴,早期人们的主要研究方向是人脸识别,即根据人脸来识别人物的身份,后来在复杂背景下的人脸检测需求越来越大,人脸检测也逐渐作为一个单独的研究方向发展起来. 目前的人脸检测方法主要有两大类:基于知识和基于统计. "基于知识的方法主要利用先验知识将人脸看作器官特征的组合,根据眼睛.眉毛.嘴巴.鼻子等器官的特征以及相互之间的几何位置关系来检测人脸.基于统计的方法则将人脸看作一个整体的模式--二维像素矩阵,从统计的观点通过大量人脸图像样本构造人脸模

论文阅读（Chenyi Chen——【ACCV2016】R-CNN for Small Object Detection）

Chenyi Chen--[ACCV2016]R-CNN for Small Object Detection 目录 作者和相关链接 方法概括 创新点和贡献 方法细节 实验结果 总结与收获点 参考文献 作者和相关链接 论文下载 Chenyi Chen , Ming-Yu Liu, Jianxiong Xiao 所有作者的简单信息 方法概括 这篇文章主要讨论针对小目标的目标检测 文章为了证明:对传统的R-CNN style的方法进行改进,可以用于小目标检测,并且性能比DPM方法好 整个检测流程:

tensorfolw配置过程中遇到的一些问题及其解决过程的记录（配置SqueezeDet: Unified, Small, Low Power Fully Convolutional Neural Networks for Real-Time Object Detection for Autonomous Driving）

今天看到一篇关于检测的论文<SqueezeDet: Unified, Small, Low Power Fully Convolutional Neural Networks for Real-Time Object Detection for Autonomous Driving>,论文中的效果还不错,后来查了一下,有一个Tensorflow版本的实现,因此在自己的机器上配置了Tensorflow的环境,然后将其给出的demo跑通了,其中遇到了一些小问题,通过查找网络上的资料解决掉了,在这里

谷歌开源的TensorFlow Object Detection API视频物体识别系统实现(二)[超详细教程] ubuntu16.04版本

本节对应谷歌开源Tensorflow Object Detection API物体识别系统 Quick Start步骤(一): Quick Start: Jupyter notebook for off-the-shelf inference 本节步骤较为简单,具体操作如下: 1.在第一节安装好jupyter之后,在ternimal终端进入到models文件夹目录下,执行命令: jupyter-notebook 2.会在网页打开Jupyter访问object_detection文件夹,进入obj

（转）Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks(更快的RCNN：通过区域提议网络实现实时)

原文出处 感谢作者~ Faster R-CNN: Towards Real-Time Object Detection with Region ProposalNetworks Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun 摘要 目前最先进的目标检测网络需要先用区域建议算法推测目标位置,像SPPnet[7]和Fast R-CNN[5]这些网络已经减少了检测网络的运行时间,这时计算区域建议就成了瓶颈问题.本文中,我们介绍一种区域建议网络(Reg

Object Detection with Discriminatively Trained Part Based Models

P. Felzenszwalb, R. Girshick, D. McAllester, D. RamananObject Detection with Discriminatively Trained Part Based ModelsIEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 32, No. 9, Sep. 2010 读本文,不是因为DPM,而是因为训练SVM的hard negative minin

论文笔记：Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks

文章: http://arxiv.org/abs/1506.01497 源码:坐等.... 目录: Region Proposal Networks Translation-Invariant Anchors A Loss Function for Learning Region Proposals Optimization Sharing Convolutional Features for Region Proposal and Object Detection Implementation

论文阅读--Scalable Object Detection using Deep Neural Networks

Scalable Object Detection using Deep Neural Networks 作者: Dumitru Erhan, Christian Szegedy, Alexander Toshev, and Dragomir Anguelov 引用: Erhan, Dumitru, et al. "Scalable object detection using deep neural networks." Proceedings of the IEEE Confere

Rapid Object Detection using a Boosted Cascade of Simple Features 部分翻译

Rapid ObjectDetection using a Boosted Cascade of Simple Features 使用简单特征级联分类器的快速目标检测 注:部分翻译不准出以红色字体给出 翻译,Tony,[email protected] 摘要: 本文介绍一种机器学习在目标检测中的视觉应用,其能够迅速的处理图像,并能达到一个较高的识别率.这项工作之所以有成就是因为存在以下三个关键特点:第一介绍一种新型的图像表示,我们称之为"积分图像",其允许我们探测器使用的特征可以快速的