- 博客(13)
- 收藏
- 关注
RSS订阅原创 LoGoNet: Towards Accurate 3D Object Detection with Local-to-Global Cross-Modal Fusion（CVPR2023）
激光雷达-相机融合(LiDAR-camera fusion)方法在三维物体检测中表现出了令人印象深刻的性能。最近的先进多模态方法主要执行全局融合(global fusion)，即在整个场景中融合图像特征和点云特征。这种做法缺乏细粒度的区域级信息(fine-grained region- level information)，导致融合性能不理想。在本文中，我们提出了新颖的局部到全局融合网络（Local-to-Global, LoGoNet），它可以在局部和全局两个层次上执行激光雷达-相机融合。
2023-07-14 10:41:35
421
2
原创 DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets（CVPR2023）
3D目标检测、自动驾驶、CVPR2023、3D感知、分割、DVST
2023-06-14 16:00:53
221
原创 Redis系列-引言
Redis-引言目录数据结构与对象单机数据库实现多机数据库实现独立功能的实现目录redis数据库是nosql（not only Structured Query Language）中常用的一种，适用于多类型数据，例如图片、文件、地理位置、音频等没有固定格式的数据，可横向扩展。接下来从四个方面展开：“数据结构与对象”+“单机数据库”+“多机数据库”+“独立功能的实现”。数据结构与对象redis数据库由**键值对（key-value pair）Map<String,Object> **控制，
2021-05-07 16:55:34
113
原创 ATSS:Adaptive Training Sample Selection
本文提出了一种基于目标统计特性的无超参数自动划分正样本和负样本的ATSS方法。算法1描述了该方法如何对输入图像进行处理。对于图像上的每个ground-truth box ggg，我们首先找出它的候选正样本(positive)。如第3 - 6行所述，在每个金字塔层级上，我们根据L2距离选择中心最接近ggg的中心的kkk个锚盒(anchor box)。假设存在LLL个特征金字塔水平，则ground-t...
2020-04-08 17:41:14
244
原创 SAPD：Soft Anchor-Point Object Detection（一）翻译
论文：https://arxiv.org/abs/1911.12448.时间：2019年11月27团队：CMU（第一作者也是FSAF的第一作者）说明：（一）翻译，（二）总结（敬请期待）摘要近来，anchor-free检测器展现出了精度、速度均超越anchor-based检测器的巨大潜力。本文致力于为anchor-free检测器寻找一个新的速度-精度tradeoff。在文中，我们研究了两个...
2020-04-07 11:43:39
992
原创 FSAF:Feature Selective Anchor-Free Module for Single-Shot Object Detection笔记
论文地址: https://arxiv.org/abs/1903.00621.作者在B站解读视频：https://www.bilibili.com/video/av49972561/.先看看效果，我们提出的特征选择无锚点模块(FSAF)应用在单阶段检测器RetinaNet上，使用ResNeXt-101在COCO数据集上达到单阶段SOTA，map提升了1.8%仅多用了6ms。如图，FSAF对小...
2020-04-02 11:22:03
274
原创 深度学习中的Normalization，BN/LN/WN
1.概念normalization是什么？我的上一篇博客Feature scaling对一些线性数据处理进行了大致阐述，其中包括Z-score normalization，就是减去均值除以标准差，而我们今天要讲的normalization（归一化）就是在其基础上再施以一个线性映射，一个再平移。即：h=f(gx−μσ+b).h = f(g{ x- \mu\over \sigma}+b).h=...
2020-03-23 09:55:52
256
原创 Feature scaling(特征缩放)
前言：在读到一篇文章常用 Normalization 方法的总结与思考：BN、LN、IN、GN时，发现越看越看不懂了，但是这里面有一些容易混淆的知识点，博主认为还是值得记录。1.概念normalization有些通称归一化或者标准化，也有说归一化属于标准化的，害，越看越糊涂。这里也有翻译的锅。直接用英语和表达式来区分吧。四种Feature scaling(特征缩放)方法：Rescaling...
2020-03-21 22:57:19
534
转载 汇总 | 深度学习实现缺陷检测方法
前言缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。1、A fast and robust convolutional ne...
2020-03-16 12:20:10
4396
原创 Markdown数学符号&公式
链接1: https://blog.csdn.net/Katherine_hsr/article/details/79179622?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task.链接2: http://latex.codecogs.com/eq...
2020-03-14 11:39:00
95
原创 Deformable ConvNets v2
注：由于前人的总结工作已经做得很好，这里仅仅给出博主认为值得借鉴的思想及参考文献，有需要再补充。一.通读全文论文链接：https://arxiv.org/abs/1811.11168.论文翻译：Deformable Convolutional Networks v2 可变形卷积v2版翻译.Motivation: DCN v1中采样的特征超出ROI（即offset不可控导致引入了过多的con...
2020-03-05 11:09:29
175
原创 GIoU: A Metric and A Loss for Bounding Box Regression(CVPR2019)笔记
1.背景IoU通常作为检测性能的度量指标，其具有尺度不变性，但是最大化检测框的IoU与优化检测框的回归loss(bbox regression loss:MSE loss,l1-smooth loss等)并非对等。例如最小化损失如lnl_nln范数与提高IoU并非强相关。考虑一个2D场景：如图1(a)，预测box（黑矩形）和gt box（绿矩形）均由左上角和右下角坐标表示(x1,y1,x...
2019-10-25 15:35:07
446
原创 Guided Anchoring：Region Proposal by Guided Anchoring(CVPR2019)笔记
1.背景及动机目前最好的检测器基本上都是基于大量的anchor，这些anchor都是从预定义好的空域尺度和纵横比(aspect ratio)中采样而来的。以Faster R-CNN为例，它首先从大量anchor中产生候选框，之后对候选框进行分类，最后通过回归来微调边界框。anchor-based检测方法带来两个问题：1. 大量的anchors最终是无用的，还消耗了大量的计算资源，效率太低(方法在...
2019-10-22 11:53:07
327
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