- 博客(164)
- 收藏
- 关注
RSS订阅转载 【转】【实例分割】SOLO：Segmenting Objects by Locations
转自：https://blog.csdn.net/qq_36530992/article/details/103857123【实例分割】SOLO：Segmenting Objects by Locations相关工作模型结构branch损失函数Inference实验Decoupled SOLO head实例分割主要有两大类别，而这两大类方法都不够直接。自上而下即detect...
2020-03-25 10:19:21
891
转载 【转】扩展卡尔曼滤波EKF与多传感器融合
转自：https://blog.csdn.net/young_gy/article/details/78468153Extended Kalman Filter（扩展卡尔曼滤波）是卡尔曼滤波的非线性版本。在状态转移方程确定的情况下，EKF已经成为了非线性系统状态估计的事实标准。本文将简要介绍EKF，并介绍其在无人驾驶多传感器融合上的应用。这里写图片描述KF与EKF本文假定读者已熟悉K...
2019-06-19 15:16:30
1769
转载 【转】无损卡尔曼滤波UKF与多传感器融合
转自：https://blog.csdn.net/Young_Gy/article/details/78542754非线性系统状态估计是一大难点。KF（Kalman Filter）只适用于线性系统。EKF（Extended Kalman Filter）利用泰勒展开将非线性系统线性化。可是，EKF在强非线性系统下的误差很大。本文将介绍一种新型的滤波算法UKF（Unscented Kal...
2019-06-19 15:15:24
769
转载 【MOT评价指标】MOTA MOTAL MOTP Rcll IDF1 MT ML FP FN ID_SW Frag Hz
转自：https://blog.csdn.net/ycc2011/article/details/86633768根据MOTchallenge官方解释给出： resource：
2019-02-14 13:52:12
3800
转载 【转】在ncnn上把玩mobileNet
转自：https://blog.csdn.net/computerme/article/details/77876633ncnn是腾讯优图最近开源的适合移动端的深度学习框架。mobileNet是谷歌在2017年4月份发表的论文MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications中提出...
2018-08-30 10:06:58
901
转载 【转】CycleGAN：图片风格，想换就换 | ICCV 2017论文解读
转自：http://www.sohu.com/a/225520144_500659源项目主页：https://junyanz.github.io/CycleGAN/本期推荐的论文笔记来自 PaperWeekly 社区用户@LUOHAO。本文提出的模型名为 CycleGAN，作者希望在不借助 paired example 情况下，来实现图片的风格转换。关于作者：罗浩，浙江大学博士研究生，...
2018-08-09 08:35:25
1087
转载 【转】密集人体姿态估计：2D图像帧可实时生成UV贴图（附论文）
转自：https://blog.csdn.net/yH0VLDe8VG8ep9VGe/article/details/79256435Facebook人工智能研究院和法国国立计算机及自动化研究院最近提出了一种密集人体姿态估计新方法：DensePose-RCNN，同时宣布即将开源人体姿态数据集DensePose-COCO。 2月1号，法国国立计算机及自动化研究院和FAIR共同在ArXiv...
2018-07-21 17:58:06
1092
转载 【转】DensePose：Dense Human Pose Estimation In TheWild
转自：https://blog.csdn.net/qq_38213612/article/details/80943401个人的一些拙见，欢迎批评指正，欢迎互相交流…一、概述预览DensePose 估计旨在完成从 RGB图像中所有的人体像素 到 人体3D表面 的映射。相关构成，用文中的话即为(Mask-RCNN + DenseReg)二、主要工作主要工作可以总结为三点：1.通过...
2018-07-21 17:54:57
794
转载 【转】FAIR联合INRIA提出DensePose-RCNN，更好地实现人体姿态估计
转自：http://www.sohu.com/a/221500552_390227图：pixabay原文来源：arXiv作者：Rıza Alp Guler、Natalia Neverova、Iasonas Kokkinos「雷克世界」编译：嗯~阿童木呀在这项研究中，我们在RGB图像和人体表面表示之间建立了密集对应，我们将该任务称为密集人体姿态估计（dense human pos...
2018-07-21 16:00:03
1068
转载 【转】DensePose: Dense Human Pose Estimation In The Wild
转自：https://blog.csdn.net/sunshine_010/article/details/80039493In this work, we establish dense correspondences between an RGB image and a surface-based representation of the human body, a task we re...
2018-07-21 15:58:38
678
转载 【转】《Cascaded Pyramid Network for Multi-Person Pose Estimation》--旷世2017COCO keypoints冠军论文解读
转自：https://blog.csdn.net/zhangboshen/article/details/78836704简介《Cascaded Pyramid Network for Multi-Person Pose Estimation》，这是Face++旷世科技2017年取得COCO Keypoints Challenge冠军的文章，主要目的是解决 in the wild 场景下多人的姿态...
2018-07-16 08:11:14
435
转载 【转】使用arxiv检索论文
转自：https://blog.csdn.net/u011092188/article/details/69275449?locationNum=10&fps=1以cs.CV为例：默认打开是http://arxiv.org/list/cs.CV/recent， 也即最近一周的内容；使用http://arxiv.org/list/cs.CV/1704，可以查看...
2018-06-17 14:05:49
3480
转载 【转】初识caffe2
转自：https://blog.csdn.net/wydbyxr/article/details/77856209基本的认识Caffe2 中基本计算单元之一是 Operators。每个 Operator 包含给定适当数量和类型的输入和参数来计算输出所需的逻辑。caffe2 宣称是轻量级、模块化和可扩展的一个框架之前layer的概念被弱化，数据与操作完全分开， 网络的编写也向tf靠拢了 最后还要说一...
2018-06-01 17:51:53
387
转载 【转】多类分类下为什么用softmax而不是用其他归一化方法?
转自：https://www.zhihu.com/question/40403377?sort=created有两点原因。softmax的形式为：原因之一在于softmax设计的初衷，是希望特征对概率的影响是乘性的。原因之二在于，多类分类问题的目标函数常常选为cross-entropy，即，其中目标类的等于1，其它类的等于0。在神经网络模型（最简单的logistic regression也可看成没...
2018-06-01 08:00:21
5127
转载 【转】人人都能看懂的LSTM
转自：https://zhuanlan.zhihu.com/p/32085405这是在看了台大李宏毅教授的深度学习视频之后的一点总结和感想。看完介绍的第一部分RNN尤其LSTM的介绍之后，整个人醍醐灌顶。本篇博客就是对视频的一些记录加上了一些个人的思考。0. 从RNN说起循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说...
2018-05-29 10:31:45
1346
2
转载 【转】结构递归神经网络: 时空领域图像中的深度学习--CVPR2016最佳论文详解
转自：https://blog.csdn.net/tsb831211/article/details/52132910摘要虽然相当适合用来进行序列建模，但深度递归神经网络体系结构缺乏直观的高阶时空架构。计算机视觉领域的许多问题都固有存在高阶架构，所以我们思考从这方面进行提高。在解决现实世界中的高阶直觉计算方面，时空领域图像是一个相当流行的工具。在本文中，我们提出了一种结合高阶时空图像和递归神经网络...
2018-05-22 15:17:29
2640
转载 【转】RNN的神奇之处（The Unreasonable Effectiveness of Recurrent Neural Networks）
转自：https://blog.csdn.net/menc15/article/details/78775010本文译自http://karpathy.github.io/2015/05/21/rnn-effectiveness/。结合个人背景知识，忠于原文翻译，如有不明欢迎讨论。 以下正文。RNN有很多神奇的地方。我仍然记得为Image Captioning训练的第一个RNN。我随便设定了超参数...
2018-05-22 15:02:43
1233
转载 【转】深度 | 一文介绍3篇无需Proposal的实例分割论文
转自：http://www.sohu.com/a/228409487_129720 本文解析了实例分割领域中的三篇论文，它们不同于主流的基于 proposal 和 Faster-RCNN 的方法，比如 Mask R-CNN、MaskLab 以及最新的 PANet，后者在多个数据集（CityScapes、COCO 以及 MVD）上实现了当前最优的结果。 基于 proposal 的实例分割架构存在...
2018-04-27 17:45:17
1631
1
转载 【转】专栏 | Momenta详解ImageNet 2017夺冠架构SENet
转自：http://www.sohu.com/a/161633191_465975 本届 CVPR 2017大会上出现了很多值得关注的精彩论文，国内自动驾驶创业公司 Momenta 联合机器之心推出 CVPR 2017 精彩论文解读专栏。除此之外，Momenta 还受邀在 CVPR 2017 的 ImageNet Workshop 中发表演讲，介绍 Momenta 在ImageNet 2017 ...
2018-03-31 10:43:59
1160
原创 【原】Context Encoding for Semantic Segmentation
这篇文章提出一种与类别预测相关的网络结构，使得在一定程度上降低了分割任务的难度，同时提高了小物体的分割精度。提出上下文语义编码模块与类别预测模块，在某种程度上解决或减轻了分割问题中类间样本不均衡的问题，而这类问题在以像素为度量的损失函数中是非常常见的。在本文中，我们通过引入上下文编码模块来探索全局上下文信息在语义分割中的影响，上下文编码模块捕获场景的语义上下文并选择性地突出显示与类相关的特征图。在...
2018-03-31 09:33:18
3589
2
转载 【转】SSD的caffe源码解读 -- 数据增强
转自：https://blog.csdn.net/daniaokuye/article/details/78565817 SSD 的数据增强对ssd网络识别小物体效果明显（原文Fig6），而且他使用的方法有点特别，所以在此解析一下他的源码。python代码补充一下data augment翻译：叫“数据增广”更好，中科院自动化所的师兄的翻译更准确（一） ...
2018-03-30 19:28:20
1006
原创 PANET
PANET主要有如下四点贡献：（1）从底到上的通道连接加强：对大尺度的实例分割有较好的增强效果证明了浅层特征的有用（2）自适应的特征池化为每一个proposal在各个特征层上面抽取特征，然后将他们融合在以前，这一过程被称为自适应池化。这里使用max融合。不同层的特征对最终的精确预测都是有帮助的。有没有从底到上的通道连接加强，自适应的特征池化都会提高效果在最终的预测中，其他特征层也是有用的（3）全连...
2018-03-14 09:56:54
3300
转载 【转】DenseBox
转自：http://blog.csdn.net/app_12062011/article/details/77941343DenseBox: Unifying Landmark Localization with End to End Object Detectionarxiv: http://arxiv.org/abs/1509.04874demo: http://pan.baidu.com/s...
2018-03-04 18:24:02
1303
转载 【转】FAIR何恺明团队推出全景分割，开辟图像分割新方向
转自：https://www.jqr.com/news/009492在计算机视觉发展的早期，人们主要关注图像中的人、动物或工具等明显对象（things）。之后，Adelson提出要训练系统识别其他物体的能力，如天空、造地、道路等没有固定形状的事物（stuff）。直到现在，仍然没有一种方法能完美地区分不规则事物与独立个体对象，这对图像识别任务和算法生成特定对象来说都是一项挑战。要识别特定的事物，就要...
2018-02-28 21:13:52
3151
转载 【转】论文阅读理解 - Panoptic Segmentation 全景分割
转自：http://blog.csdn.net/zziahgf/article/details/79063398论文阅读理解 - Panoptic Segmentation 全景分割[Paper] 摘要 新的任务场景 —— 全景分割 Panoptic Segmentation: 统一了实例分割(Instance Segmentation) 和语义分割(Semantic Segment...
2018-02-27 20:07:42
871
转载 【转】Facebook人工智能实验室提出「全景分割」，实现实例分割和语义分割的统一
转自：http://www.sohu.com/a/215073729_297710 原文来源：arxiv 作者：Alexander Kirillov、Kaiming He1、Ross Girshick、Carsten Rother、Piotr Dollar 「雷克世界」编译：嗯~阿童木呀、KABUDA 现如今，我们提出并研究了一种新的“全景分割”（Panoramic segmentation，PS...
2018-02-27 20:05:25
521
3
转载 【转】专栏 | 后RCNN时代的物体检测及实例分割进展
转自：http://www.sohu.com/a/219275536_129720机器之心专栏 作者：huichan chen 物体检测是计算机视觉的重要任务之一，从最开始的 Viola-Jones 2001 的人脸检测开始，到 Ross 的 Deformable Part Model（DPM）2007 通用物体检测，再到现在基于深度学习的 Region Convolution（RCNN）20...
2018-02-27 19:39:44
1585
转载 【转】caffe源码学习:softmaxWithLoss前向计算
转自：http://blog.csdn.net/liyaohhh/article/details/52115638caffe源码学习:softmaxWithLoss 在caffe中softmaxwithLoss是由两部分组成，softmax+Loss组成，其实主要就是为了caffe框架的可扩展性。 表达式（1）是softmax计算表达式，（2）是sfotmaxLoss的计算损失表达。在ca...
2018-02-27 14:39:33
389
转载 【转】caffe中backward过程总结
转自：http://blog.csdn.net/buyi_shizi/article/details/51512848backward是利用代价函数求取关于网络中每个参数梯度的过程，为后面更新网络参数做准备。求取梯度的过程也是一个矩阵运算的过程，后面会有详细介绍，本身求取梯度的过程并不是很复杂，而且网络中的各层求取梯度的过程都是相似的。下面就按照backward的运行顺序，从最后一层向前介绍caf...
2018-02-27 11:06:57
447
原创 2018 Workshop on Autonomous Driving (WAD)----自动驾驶中视觉感知的比赛
自动驾驶中视觉感知的比赛目的：主要帮助理解视觉算法在自动驾驶中解决环境感知问题上的研究现状这里不仅仅是视觉算法在自动驾驶中的应用，还定义了下面一系列现实中的问题来鼓励新算法与流程的提出：(1) Drivable Area Segmentation(2) Road Object Detection(3) Domain Adaptation of Semantic Segmentation(4) In...
2018-02-23 16:14:27
903
转载 【转】论文阅读：《RMPE: Regional Multi-Person Pose Estimation》ICCV 2017
述论文地址：https://arxiv.org/abs/1612.00137v3 项目主页：RMPE: Regional Multi-person Pose Estimation这篇论文是上海交大和腾讯优图的论文，被 ICCV 2017接收。它对于多人姿态估计的方法采用传统的自顶向下的方法，即先检测人，再识别人体姿态。检测使用的是SSD-512，识别人体姿态使用的是state-of-the-art...
2018-02-09 16:44:55
425
转载 【转】Caffe2 - Detectron 安装
转自：http://blog.csdn.net/zziahgf/article/details/79141879Detectron 安装Detectron 项目地址基于 Caffe2.Detectron 项目：Feature Pyramid Networks for Object DetectionMask R-CNN -Marr Prize at ICCV 2
2018-01-30 14:53:21
1957
转载 【转】Caffe2 - Detectron 初步使用
转自：http://blog.csdn.net/zziahgf/article/details/79142978Detectron 初步使用Detectron 安装.Detectron 提供了基于 COCO Dataset 的推断和训练使用说明 - Using Detectron.1. Detectron Model ZOO 和 BaselinesDetectr
2018-01-30 14:38:55
5965
2
转载 【转】Caffe2 - Detectron 图片测试结果
转自：http://blog.csdn.net/zziahgf/article/details/79148668Detectron 图片测试结果随机找的图片进行测试，结果很惊喜，很赞！！！1. Box 与 Maskpython2 tools/infer_simple.py \ --cfg configs/12_2017_baselines/e2e_mask_rcnn
2018-01-30 14:35:23
1277
2
转载 【转】【Caffe实践】损失函数解析
转自：http://blog.csdn.net/chenriwei2/article/details/45291739Caffe中的损失函数解析导言在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归
2018-01-20 21:55:53
374
转载 【转】何恺明团队提出Focal Loss，目标检测精度打破现有记录
转自：http://www.win7999.com/news/142051630.html翻译|AI科技大本营（rgznai100）参与 | 周翔，尚岩奇他可谓神童。2009年，在 IEEE 举办的 CVPR 大会上，还在微软亚研院(MSRA)实习的何恺明的第一篇论文“Single Image Haze Removal Using Dark Channel Prior”艳惊四座
2018-01-14 16:13:45
1920
转载 【转】视觉分类任务中处理不平衡问题的loss比较
转自：http://blog.csdn.net/weixin_35653315/article/details/78327408问题介绍在计算机视觉（CV）任务里常常会碰到类别不平衡的问题， 例如： 1. 图片分类任务，有的类别图片多，有的类别图片少 2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。 训练时正负anchor的比例很悬殊. 3
2018-01-14 15:59:36
1099
转载 【转】何恺明大神的「Focal Loss」，如何更好地理解？
转自：http://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/78920998作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP，神经网络个人主页丨kexue.fm前言今天在 QQ 群里的讨论中看到了 Focal Loss，经搜索它是 Kaiming 大神团队在他们的论文
2018-01-14 09:23:58
5190
3
转载 【转】论文阅读笔记-Segmentation-Aware Convolutional Networks Using Local Attention Masks
转自：http://blog.csdn.net/u012494820/article/details/78944806发表于ICCV2017的论文Segmentation-Aware Convolutional Networks Using Local Attention Masks用segmentation-aware的convolution代替CNN中传统的convolution，使得
2018-01-11 09:56:15
645
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人