小目标检测相关资料备忘

1、评价指标 mean Average Precision(mAP)

https://blog.csdn.net/zl3090/article/details/82740727

https://www.cnblogs.com/eilearn/p/9071440.html

https://blog.csdn.net/yangzzguang/article/details/80540375

https://blog.csdn.net/wangdongwei0/article/details/83033340

2、YOLO相关

YOLO

页面:https://pjreddie.com/darknet/yolo/

https://www.cnblogs.com/MY0213/p/9460562.html

https://blog.csdn.net/fangxiangeng/article/details/80623129

YOLO9000: Better, Faster, Stronger 论文:https://arxiv.org/abs/1612.08242

https://zhuanlan.zhihu.com/p/33277354

https://cloud.tencent.com/developer/news/302362  目标检测算法历经了:yolo v1—SSD—yolo v2 / yolo 9000 —yolo v3

YOLO V3

论文网址: https://arxiv.org/abs/1804.02767

YOLO3主要的改进有:调整了网络结构;利用多尺度特征进行对象检测;对象分类用Logistic取代了softmax。

代码: https://github.com/qqwweee/keras-yolo3

https://www.jianshu.com/p/d13ae1055302

https://blog.csdn.net/leviopku/article/details/82660381

3、小目标检测相关

https://www.jianshu.com/p/1973079386f4

https://blog.csdn.net/wq604887956/article/details/83053927

https://www.csdn.net/gather_26/MtTaggysMjYzMy1ibG9n.html

https://blog.csdn.net/u014236392/article/details/83993730

小目标检测的一些理解 https://blog.csdn.net/weixin_38440272/article/details/83269361

4、数据增强

https://arxiv.org/abs/1902.07296

Augmentation for small object detection 小目标检测中的数据扩展

增强小目标检测 https://blog.csdn.net/u011344545/article/details/91355839

https://blog.csdn.net/abrams90/article/details/89371797

Improving Small Object Detection (ACPR2017) https://blog.csdn.net/weixin_39290638/article/details/84487984

SNIPER: Efficient Multi-Scale Training https://arxiv.org/abs/1805.09300 5fps,on a single V100 GPU

5、多尺度处理

1)https://www.admin5.com/article/20180726/867501.shtml

Yi+提交的深度学习模型,虽然采用了Faster RCNN的基本结构,但有很多不同之处:1)采用ResNeXt作为基础网络,结合FPN实现多尺度特征融合,2)在后处理阶段,采用SoftNMS和多框投票融合;3)通过Yi+海量数据进行预训练;4)多尺度训练,进一步加强数据增强。

2)面向小目标的多尺度Faster-RCNN检测算法

摘要 小目标是指图像中覆盖区域较小的一类目标.与常规目标相比,小目标信息量少,训练数据难以标记,这导致通用的目标检测方法对小目标的检测效果不好,而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上,提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network, Faster-RCNN)检测算法.根据卷积神经网络的特性,修改了Faster-RCNN的网络结构,使网络可以同时使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测任务的精度.同时,针对训练数据难以标记的问题,使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同,又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化,使训练图像和测试图像的特征分布更类似.实验结果表明:所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.

http://crad.ict.ac.cn/CN/abstract/abstract3866.shtml

6、其他

Object Detection目标检测全面总结

https://blog.csdn.net/cym1990/article/details/78772020

https://blog.csdn.net/hw5226349/article/details/81906882

https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html

原文地址:https://www.cnblogs.com/wxl845235800/p/11371227.html

时间: 2024-10-29 20:34:45

小目标检测相关资料备忘的相关文章

JqGrid相关操作备忘 方法列表

JqGrid相关操作备忘 方法列表 1.获得当前列表行数:$("#gridid").getGridParam("reccount"); 2.获取选中行数据(json):$("#gridid").jqGrid('getRowData', id); 3.刷新列表:$(refreshSelector).jqGrid('setGridParam', { url: ''), postData: ''}).trigger('reloadGrid'); 4.选

目标检测——深度学习下的小目标检测(检测难的原因和Tricks)

小目标难检测原因 主要原因 (1)小目标在原图中尺寸比较小,通用目标检测模型中,一般的基础骨干神经网络(VGG系列和Resnet系列)都有几次下采样处理,导致小目标在特征图的尺寸基本上只有个位数的像素大小,导致设计的目标检测分类器对小目标的分类效果差. (2)小目标在原图中尺寸比较小,通用目标检测模型中,一般的基础骨干神经网络(VGG系列和Resnet系列)都有几次下采样处理,如果分类和回归操作在经过几层下采样处理的 特征层进行,小目标特征的感受野映射回原图将可能大于小目标在原图的尺寸,造成检测

雷达小目标检测

通过对雷达目标回波信号的长时间处理来提高雷达对微弱目标的检测性能一直是雷达信号处理领域的关键技术和研究热点之一.本文主要通过对雷达信号的长时间处理来提高雷达对微弱目标的检测和跟踪性能.对雷达目标回波能量进行长时间处理的前提是处理时间内目标必须位于雷达的波束照射范围内,或者处理的所有数据中都包含特定目标的回波.对于常规的波束扫描体制雷达,雷达信号的积累时间主要取决于目标在波束中的驻留时间.由于波束在每个指向的驻留时间有限,因此,雷达信号的积累时间取决于波束的扫描速度.波束宽度以及目标的运动特性.对

ICCV2013、CVPR2013、ECCV2013目标检测相关论文

CVPapers 网址: http://www.cvpapers.com/   ICCV2013 Papers about Object Detection: 1. Regionlets for Generic Object Detection. Xiaoyu Wang, Ming Yang, Shenghuo Zhu, Yuanqing Lin .(暂无源码提供) Website: http://www.xiaoyumu.com/project/detection 这篇文章提出了一种新的特征描

SAR目标检测相关文献整理

Deep Learning for End-to-End Automatic Target Recognition from Synthetic Aperture Radar Imagery 从合成孔径雷达图像进行端到端自动目标识别的深度学习 合成孔径雷达(SAR)自动目标识别(ATR)的标准体系结构包括三个阶段:检测,辨别和分类.近年来,已经提出了用于SAR ATR的卷积神经网络(CNN),但是它们中的大多数将从SAR图像提取的目标芯片中的目标类别进行分类,作为SAR ATR的第三阶段的分类.

Java - 学习资料备忘

Java 专业人士必备的书籍和网站列表 The Java Tutorial Java.netThe Source for Java Technology Collaboraion IBM developerWorks developerWorks 中国 Java 开发

目标检测相关论文

SIMPLE ONLINE AND REALTIME TRACKING (SORT) https://www.cnblogs.com/wangxiaocvpr/p/10396197.html SIMPLE ONLINE AND REALTIME TRACKING WITH A DEEP ASSOCIATION METRIC (Deep SORT) https://www.bbsmax.com/A/xl56bOa15r/ AdaScale: Towards real-time video obje

基于深度学习的目标检测

普通的深度学习监督算法主要是用来做分类,如图1(1)所示,分类的目标是要识别出图中所示是一只猫.而在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中,还包括目标定位和目标检测等任务.其中目标定位是不仅仅要识别出来是什么物体(即分类),而且还要预测物体的位置,位置一般用边框(bounding box)标记,如图1(2)所示.而目标检测实质是多目标的定位,即要在图片中定位多个目标物体,包括分类和定位.比如对图1(3

4. 基于深度学习的目标检测算法的综述(转)

4. 基于深度学习的目标检测算法的综述(转) 原文链接:https://www.cnblogs.com/zyly/p/9250195.html 目录 一 相关研究 1.选择性搜索(Selective Search) 2.OverFeat 二.基于区域提名的方法 1.R-CNN 2.SPP-Net 3.Fast R-CNN 4.Faster R-CNN 5.R-FCN 三 端对端的方法 1.YOLO 2.SSD 四 总结 在前面几节中,我们已经介绍了什么是目标检测,以及如何进行目标检测,还提及了滑