精华内容
下载资源
问答
  • 小目标检测

    2019-04-05 16:40:06
    小目标检测文章总结 2018年小目标检测文章总结 小目标检测论文阅读 小目标检测:Improving Small Object Detection 快速小目标检测–Feature-Fused SSD: Fast Detection for Small Objects ...

    小目标检测文章总结
    2018年小目标检测文章总结
    小目标检测论文阅读

    小目标检测:Improving Small Object Detection
    [快速小目标检测–Feature-Fused SSD: Fast Detection for Small Objects]

    Scale Match for Tiny Person Detection
    Scale Match:国科大提出小目标检测的尺度匹配方法,用于预训练数据集处理,并提出了一个小人数据集


    无需预训练的检测

    不需要预训练模型的检测算法—DSOD
    DSOD是在SSD算法的基础上进行改进的,可以简单理解为SSD+DenseNet=DSOD

    论文笔记之目标检测(2)-- GRP-DSOD
    主要贡献:
    1、提出了一个新颖的结构设计–循环特征金字塔,非常时候从头训练的目标检测网络,在收敛速度和精度上都得到了不错的提升。
    2、提出了广泛适用于目标检测的门控机制,是第一个在目标检测方面尝试重新校正监督信息的。
    3、在DSOD应用门控循环特征金字塔即GRP-DSOD成为表现最好的不需要预训练模型的目标检测器。

    展开全文
  • 基于深度学习的小目标检测方法 小目标检测的难点:分辨率低、信息少,噪音多、图像模糊 解决方法:图像金字塔、特征金字塔、对包含小目标的图像进行oversampling、对小目标进行复制粘贴操作(不遮挡原有目标,有旋转...

    基于深度学习的小目标检测方法

    小目标检测的难点:分辨率低、信息少,噪音多、图像模糊
    解决方法:图像金字塔、特征金字塔、对包含小目标的图像进行oversampling、对小目标进行复制粘贴操作(不遮挡原有目标,有旋转和缩放)

    摘抄:深度学习检测小目标常用方法汇总 link

    特征融合的SSD:
    SSD使用特征金字塔把最浅层的特征用到小目标检测上,因为浅层的感受野小,感受野的尺寸正好和小目标匹配。但是浅层的特征缺少语义信息,语义信息会影响检测器判断检测区域是目标 (object) 还是背景 (background)。那么将高层特征与低层特征融合,将会得到感受野适合,而又不缺乏语义信息的特征。
    特征融合时采用了concatenation和sum的形式,前者能降低遮挡的影响,后者能够针对像素少和模糊的目标有更好的效果

    特征金字塔:
    浅层特征图的语义特征较弱,而位置特征较强;相反,深层特征图的语义特征较强, 但损失了精确地位置特征。同时利用浅层特征图和深层特征图,能够综合考量强位置特征和强语义特征,因此提升模型效果。
    具体方法:得到特征图之后采用自顶向下的方法将小的特征图上采样之后与下一个特征图融合,融合之后再做预测,依次如此,即可得到多个预测结果

    摘抄自:小目标检测文献相关(特征融合)link

    展开全文
  • 目标检测之小目标检测和遮挡问题

    千次阅读 2020-08-11 20:07:06
    小目标检测trick 小目标难检测原因 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,...

    小目标检测trick

    小目标难检测原因

    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
    • 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,造成检测效果差

    小目标在原图中的数量较少,检测器提取的特征较少,导致小目标的检测效果差。

    神经网络在学习中被大目标主导小目标在整个学习过程被忽视,导致导致小目标的检测效果差。

    Tricks

    (1) data-augmentation.简单粗暴,比如将图像放大,利用 image pyramid多尺度检测,最后将检测结果融合.缺点是操作复杂,计算量大,实际情况中不实用;
    (2) 特征融合方法:FPN这些,多尺度feature map预测,feature stride可以从更小的开始;
    (3)合适的训练方法:CVPR2018的SNIP以及SNIPER;
    (4)设置更小更稠密的anchor,回归的好不如预设的好, 设计anchor match strategy等,参考S3FD;
    (5)利用GAN将小物体放大再检测,CVPR2018有这样的论文;
    (6)利用context信息,建立object和context的联系,比如relation network;
    (7)有密集遮挡,如何把location 和Classification 做的更好,参考IoU loss, repulsion loss等.
    (8)卷积神经网络设计时尽量采用步长为1,尽可能保留多的目标特征。
    (9)matching strategy。对于小物体不设置过于严格的 IoU threshold,或者借鉴 Cascade R-CNN 的思路。

    那么,有一个十分简单的方法可以提升小物体的精度,那就是为 bounding box regression 这项损失上,加一个针对于小物体的权重
    以 YOLOv3 为例,默认对于 regression 损失都会上一个(2w×h)(2-w \times h) 的损失,w 和 h 分别是ground truth 的宽和高。如果不减去 w×hw\times h,AP 会有一个明显下降。如果继续往上加,如 (2w×h)×1.5(2-w\times h)\times1.5,总体的 AP 还会涨一个点左右(包括验证集和测试集)。当然这大概也有 COCO 中小物体实在太多的原因。

    有遮挡的目标检测

    Repulsion Loss: Detecting Pedestrians in a Crowd-CVPR2018

    遮挡情况

    目标检测中存在两类遮挡,(1)待检测的目标之间相互遮挡;(2)待检测的目标被干扰物体遮挡。比如下图
    在这里插入图片描述
    具体来说,如果检测任务的目标是汽车和人,那么汽车被人遮挡,而且人被干扰物体(牛)遮挡。因为算法只学习待检测的物体的特征,所以第二种遮挡只能通过增加样本来优化检测效果

    在现实的检测任务中,只有比较特殊的场景需要考虑遮挡问题,比如行人检测、公交车上密集人群检测、牲畜数量计算等

    问题描述

    在这里插入图片描述
    如图所示,其中T1,T2为Groundtruth框,而P1,P2,P3为anchors,由于P2中包含了T2的部分区域,所以P2对应的proposals很容易受到T2的干扰,导致回归出来的proposal同时包含了目标T1,T2的部分区域,不精准

    假设图中的预测框P1不存在,也即T1对应的proposals只有P2,如果T2对应的max score的proposal近似为P3,那么当P2和P3的IOU大于阈值时,在后处理nms阶段就会把P2过滤掉,从而导致更严重的情况,T1被漏召回

    方案一:repulsion loss

    针对不精准和漏召回的情况,使用repulsion loss(斥力损失),类比磁铁的吸引力和排斥力作用

    斥力损失的作用是对预测的proposal进行约束,使其不仅要靠近target T(引力作用),还要远离其他的Groundtruth物体B以及B对应的proposals(斥力作用).如果T的Surrounding Groundtruth包含了除B以外的其他目标,则斥力损失会要求预测的proposal远离所有这些目标

    在这里插入图片描述

    具体实现-repulsion loss

    论文提出了两个损失函数,RepGT和RepBox,前者用于对proposal向其他目标(gt)偏移的情况进行惩罚,从而实现斥力作用(编号为A),后者用于对proposal向其他目标(gt)对应的proposals靠近的情况进行惩罚,从而实现斥力作用(编号为B),因此检测结果对NMS算法更加鲁棒
    在这里插入图片描述
    为了简化,只考虑了两类的情况,前景和背景,所有前景为同一类别
    在这里插入图片描述

    引力作用

    对于指定的anchor PP+P\in P_+,可以计算它与所有的groundtruth框的IOU,取IOU最大的作为target框
    在这里插入图片描述
    定义BPB^P为anchor P对应的预测框,那么需要满足预测框逼近target框,度量两个框的逼近程度的方式包括欧式距离,smoothL1距离,IOU等,论文中使用了smoothL1距离,并且对于训练集batch中的每一张图,需要考虑所有的anchors,因此表达式如下
    在这里插入图片描述

    斥力作用A

    对于指定的anchor PP+P\in P_+,可以计算它与所有的groundtruth框的IOU,取IOU第二大的作为target框,公式如下
    在这里插入图片描述
    斥力作用A用于对BPB^P逼近GRepPG_{Rep}^P的情况进行惩罚,作者使用了IoG(intersection over Groundtruth)指标来衡量逼近程度,公式如下
    在这里插入图片描述

    斥力作用B

    当不同Target对应的预测框太近时,容易出现漏召回的情况,斥力作用B用于将不同Target对应的预测框分离开
    在这里插入图片描述
    对于所有的groundtruth框G0=GG^0={G},每个框GG都对应了一组anchors,那么所有的anchors可以分为G0|G^0|

    Occlusion-aware R-CNN: Detecting pedestrians in a Crowd-ECCV2018

    方案二:Occlusion-aware R-CNN

    loss优化

    • 所有的预测框逼近对应的target框 closely
    • 属于同一target框的多个预测框尽量集中 compactly

    在这里插入图片描述

    加粗样式

    网络优化-PORoI

    PORoI,全称为“Part Occlusion-aware RoI Pooling Unit”,在Faster RCNN算法中,RPN部分会生成目标的候选区域,如下图中的红色方框所示,ROI Pooling会将该红色区域缩放到固定尺寸,记作m×m,对于行人检测任务,作者考虑到人体具有特殊的结构,为了充分利用这一prior knowledge,从红色候选区域中切分出5个子区域,如图中蓝色的框所示。每一个蓝色框经过ROI Pooling操作后都会变成尺寸为m×m的特征图。

    因为这5个子区域可能会有遮挡,图中的“Occlusion process unit”是用来生成对应子区域的“可见度”打分,若该子区域被遮挡,则打分较低,否则打分较高,作者作用用了element-wise sum操作将所有子区域的特征合并,用于最终的分类和定位任务。

    笔者认为,该PORoI层存在两处待改进的地方,(1)将人体分成5个子区域是否合理,分成更多的子区域是否会效果更好,作者文中没有贴相关对比;(2)因为不同子区域对应不同的特征,“Eltw sum”操作进行特征融合,破坏了特征的结构性,需要探索更加合理的特征融合方式,使它能结合位置先验信息。
    在这里插入图片描述

    总结

    两篇文章都是针对行人检测中的遮挡问题,提出解决办法
    第一篇文章仅从优化目标的角度考虑,第二篇文章同时从优化目标和网络结构的角度考虑
    两篇文章都是基于Faster RCNN算法框架做优化,且效果基本相当

    参考知乎

    展开全文
  • 小目标检测文章总结

    万次阅读 多人点赞 2018-10-16 10:24:47
    由于最近需要写一篇小目标检测的综述,但是在认真调研之后,发现关于小目标检测的文章真的不多,但是又不想直接放弃度过的文章,所以就写成一篇博客来纪念一下。 在现有的目标检测的文献中,大多数是针对通用的目标...

    介绍

    由于最近需要写一篇小目标检测的综述,但是在认真调研之后,发现关于小目标检测的文章真的不多,但是又不想直接放弃度过的文章,所以就写成一篇博客来纪念一下。

    在现有的目标检测的文献中,大多数是针对通用的目标来进行检测,如经典的单阶段方法yolo和ssd,两阶段方法faster-rcnn等,这些方法主要是针对通用目标数据集来设计的解决方案,因此对于图像中的小目标来说,检测效果不是很理想。因此就有大神提出针对小目标检测的一些方法,这些方法是建立在现有的目标检测基础之上提出的一些改进或者优化。接下来主要对存在的优秀的小目标检测算法进行简单介绍。

    小目标的介绍:有两种定义方式,一种是相对尺寸大小,如目标尺寸的长宽是原图像尺寸的0.1,即可认为是小目标,另外一种是绝对尺寸的定义,即尺寸小于32*32像素的目标即可认为是小目标。

    FPN(feature pyramid networks)

    论文:feature pyramid networks for object detection 
    论文链接:https://arxiv.org/abs/1612.03144

    这是cvpr2017年出的一篇文章,该文主要是针对通用目标的检测方法,但是在小目标检测中起到了关键作用,以至于之后的很多小目标检测方法都用到了类似的该方法,如faster-rcnn+fpn,yolo3中的特征融合。

    该文的主要思想:在fpn之前目标检测的大多数方法都是和分类一样,使用顶层的特征来进行处理。但是这种方法只是用到了高层的语义信息,但是位置信息却没有得到,尤其在检测目标的过程中,位置信息是特别重要的,而位置信息又是主要在网络的低层(换种说法:低层的特征语义信息比较少,但是目标位置准确,高层的特征语义信息比较丰富,但是目标的位置粗略)。因此在这片文章中采用了多尺度特征融合的方式,采用不同特征层特征融合之后的结果来做预测。

    该图非常形象的说明了fpn和其他特征融合方式的区别。(a)图是典型的图像金字塔形象,该方法主要是将图像生成不同的尺寸,在每一个尺寸上生成对应的特征图,再在对应的特征图上做相应的预测。这种方法所需要占用的内存和时间比较大,因此没有多少算法使用该方法。在(b)中,在最经典的目标检测方法,只在最后一层的特征图上做预测,常见的rcnn,faster-rcnn都是这种方法。图(c)中是使用了多层的特征图,每一个特征图来做一个新的预测,典型的是ssd中使用的方法。(d)中即使使用fpn的方法,它在图(c)的基础上得到每一层的特征图,之后采用自顶向下的方法将小的特征图上采样之后与下一个特征图融合,融合之后再做预测,依次如此,即可得到多个预测结果。

    该方法与faster-rcnn,ssd结合,通过融合高层的语义信息和低层的位置信息,预测在不同的特征图上进行。在测试结果上的结果是令人喜悦的,尤其在小目标检测的提升是比较明显的。

    An Analysis of Scale Invariance in Object Detection – SNIP

    论文链接:https://arxiv.org/abs/1805.09300

    代码链接:https://github.com/mahyarnajibi/SNIPER

    这是cvpr2018的一篇文章,主要是针对目标检测中的多尺寸问题提出的方法。

    首先有一个中心思想:就是要让输入的分布尽可能地接近模型预训练地分布。作者通过实验1得到通过在Imagenet网络上得到的预训练结果不利于检测小目标,因此提出一种方法,先用ImageNet做预训练,之后使用原图上采样得到的图像来做微调,使用微调的模型来预测原图经过上采样的图像。该方法的提升效果比较显著。

    作者的第二个实验想说明将原图放大到什么大小有助于检测小目标。

     5

    在上图中,对rfcn提出的改进主要有两个地方,一是多尺寸图像输入,针对不同大小的输入,在经过rpn网络时需要判断valid GT和invalid GT,以及valid anchor和invalid anchor,通过这一分类,使得得到的预选框更加的准确;二是在rcn阶段,根据预选框的大小,只选取在一定范围内的预选框,最后使用soft-nms来得到最终结果。

    该文的实验结果出其的好,并且在小目标检测的结果上也有着显著的提升。

     

    Cascade R-CNN: Delving into High Quality Object Detection

    论文链接:https://arxiv.org/abs/1712.00726 
    代码链接:https://github.com/zhaoweicai/cascade-rcnn 

    这是cvpr2018上的最新文章,这篇文章和上一篇文章都是通过许多实验来探索对小目标检测的提升效果。本文主要是针对目标检测中的两阶段方法中的阈值来做文章。我们都知道检测种的IoU阈值对于样本的选取是至关重要的,如果IoU阈值过高,会导致正样本质量很高,但是数量会很少,会出现样本比例不平衡的影响;如果IoU阈值较低,样本的数量就会增加,但是样本的质量也会下降。因此如何平衡这一关系,即如何选取好的IoU,对于检测结果来说很重要。

    作者为了解决这一问题,提出了多阶段的结构,通过不断提高IoU的阈值,使得在保证样本数量的同时,也能使得样本的质量不下降,最后训练出高质量的检测器,如文章题目所言。

    在上图中主要是介绍了几种不同的类似于级联方法的比较。(a)图中是常规的fatser-rcnn方法;(b)图是在推理中使用迭代的方式不断地改进推理结果,但是在检测时使用的是相同的检测头,这会出现两个问题,单一阈值这对于检测高质量的目标并不有利和每次检测出来的分布都是差别较大的;(c)图中虽然使用了多个检测头,但是预选框只有一个分布,以及只做了一个边界框回归,这显然是不行的;(d)图即是本文提出的方法,融合了前面的几个方法,在得到B0之后,通过每一个不同的检测头,该检测头的IoU阈值只逐渐提升的,在通过检测头之后,得到的B1会和前一个B0结合生成新的预选框,用作下一个检测头,依次处理,就可以得到最终的结果。

    总结起来就是:

    • cascaded regression不断改变了proposal的分布,并且通过调整阈值的方式重采样
    • cascaded在train和inference时都会使用,并没有偏差问题
    • cascaded重采样后的每个检测器,都对重采样后的样本是最优的,没有mismatch问题

    该方法最终测试的结果是优秀的,在coco数据集上取得了最好的检测准确度。并且在小目标的检测结果上也有着显著的提升。

    Learning Efficient Single-stage Pedestrian Detectors by Asymptotic Localization Fitting(ALFNet)

    论文地址:http://openaccess.thecvf.com/content_ECCV_2018/html/Wei_Liu_Learning_Efficient_Single-stage_ECCV_2018_paper.html

    论文代码:https://github.com/VideoObjectSearch/ALFNet

    这是ECCV2018的一篇文章,这篇文章的主旨是向高效行人检测迈进。

    不同于上述的几种两阶段的方法,该方法是基于单阶段的一种方法,但是该方法又和上述的级联网络思想相同,也用到了级联网络,作者称这一模块为渐进定位拟合模块。该文的主要研究对象不是通用的目标,而是指定的目标对象——行人。

    文章的主要思想是利用不断提升的IoU阈值训练多个定位模块,来达到提升定位精度的目的。

    文章主要是以ssd为框架,在此基础上提出的一些改进。作者以ResNet-50为基础网络为例,给出了ALFNet检测器的网络架构,如上图所示所示,选用ResNet-50的第3、4、5个stage的最后一层(黄色部分)以及新接的一层(绿色部分)作为多尺度特征图(分别较原始图像降采样了8、16、32和64倍),在这些特征图上添加ALF模块,也即堆叠多个CPB(上图(b))。

    该方法在行人检测的数据集上效果显著,达到最先进的结果,并且速度也是很快的。

    该文和发表于CVPR2018的Cascade R-CNN有共通之处,一是训练采用提升的IoU阈值能够或者更好的检测性能,二是并非堆叠越多步数检测器性能越好,级联一定步数时检测器性能会趋向饱和。区别在于:前者基于SSD单阶段的检测框架,目的在于提升定位精度的同时保证算法的速度优势,后者基于Faster R-CNN两阶段的检测框架,目的在于提升检测器的accuracy。尽管采用的检测框架不同,但均证明了多步预测是提升检测器性能的一个非常行之有效的方式。

    Perceptual Generative Adversarial Networks for Small Object Detection

    论文链接:https://arxiv.org/abs/1706.05274v2

    论文代码:无

    这篇文章是cvpr2017的一篇文章,该文主要是针对小目标而设计的。(自我感觉上述几篇主要还是解决通用的目标检测,顺带解决小目标检测的方法。)

    该文先是提出小目标检测的一般方法:提高输入图像的分辨率,会增加运算量;多尺度特征表示,结果不可控。 

    该文主要内容:论文使用感知生成式对抗网络(Perceptual GAN)提高小物体检测率,generator将小物体的poor表示转换成super-resolved的表示,discriminator与generator以竞争的方式分辨特征。Perceptual GAN挖掘不同尺度物体间的结构关联,提高小物体的特征表示,使之与大物体类似。包含两个子网络,生成网络和感知分辨网络。生成网络是一个深度残差特征生成模型,通过引入低层精细粒度的特征将原始的较差的特征转换为高分变形的特征。分辨网络一方面分辨小物体生成的高分辨率特征与真实大物体特征,另一方面使用感知损失提升检测率。(转载自:https://blog.csdn.net/cv_family_z/article/details/77332721)(由于没有源码,所以文章没有仔细阅读)

    DetNet: A Backbone network for Object Detection

    论文链接:https://arxiv.org/abs/1804.06215?context=cs

    论文代码:https://github.com/tsing-cv/DetNet

    这篇文章是eccv2018上的一篇文章,文章的主要贡献是建立一个专门用于检测的骨干网络。它先总结了传统网络的三个缺点:网络阶段数不同(预训练不一致),大目标的回归弱,小目标很难发现。为了解决这种问题,会出现两个关键挑战:需要保证特征图的尺寸足够大,但是所占用的内存也会很大;减少下采样的数目,但是感受野的大小无法保证。

    上图是detnet的网络结构,是在resnet50的基础上提出的改进。与resnet50相比,保留了resnet50的前三个阶段,增加了第六个阶段,修改了第4,5阶段。

    1. 原来的resnet50的阶段5的特征图是原图的1/32,但是在detnet中,阶段4,5,6的特征图都是原图的1/16。
    2. 使用了dilated bottleneck,分成A和B两种,在上图中的A和B所示,D图中显示了完整的结构。
    3. 使用dilated 的技术是为了增加感受野(即保证特征图的大小),但是为了考虑计算量的问题,在第5,6阶段保持了相同的通道数。

    这种网络结构设计在实验中经过测试,得到的结果相比较于resnet50,提升了几个百分点,说明这种方法对于检测网络还是有效的。同时在检测小目标上的提升也是比较显著的。

    Finding Tiny Faces

    论文链接:https://www.cs.cmu.edu/~peiyunh/tiny/

    论文代码:https://github.com/peiyunh/tiny

    这是cvpr2017的一篇寻找小人脸的文章,该文的结果在人脸的数据集上得到的结果是爆炸性的,看下图就知道了:

    该文主要对小人脸的识别上,主要从三个方面来考虑:尺度不变性,图像分辨率和上下文推理。

    在这片文章中也得到了三个结论:

    1. 由于小目标的信息太少,因此需要使用小目标的周围信息来扩充小目标的感受野,即利用人脸周围的头发,耳朵,肩膀等信息;
    2. 对于小人脸,不是越大的感受野得到的结果越好,对于大人脸,更大的感受野对提升效果不明显;
    3. 不同大小的特征图的融合是检测小人脸的关键,但是对于大人脸效果不明显。

    上图中是整个检测的结构,对于一张输入图片,先建立一个粗略的图像金字塔,之后使用CNN在每一个像素上预测结果,最后使用非最大抑制方法来得到结果。主要思想是通过在不同大小的模板上分别寻找对应大小的目标,即在大的模板上寻找小的目标,在小的模板上寻找大的目标。

    该方法在小人脸检测数据集的结果是惊人的,但是可能不太适合于通用的小目标检测,却可以作为一种思路的参考值得借鉴。

    以上是对已经阅读过的文章做的一些简单的总结,自我感觉在小目标检测这一方面文章的数量不是很多,并且大多数也不是专门解决小目标检测的文章,因此呢,在这一方面机遇还有是许多的,但另一方面挑战也是同时存在的。前途漫漫,不屈不饶!

    展开全文
  • 小目标检测是针对图像中像素占比少的目标,借助计算机视觉在图像中找到并判断该目标所属类别的目标检测技术。与目前应用较为成熟的大尺度、中尺度目标检测不同,小目标自身存在着语义信息少、覆盖面积小等先天不足,...
  • 目标检测难题 | 小目标检测策略汇总 从无人机上看到的小目标 为了提高你的模型在小目标上的性能,我们推荐以下技术: 1、提高图像采集的分辨率 2、增加模型的输入分辨率 3、tile你的图像 4、通过增强生成更多数据 5...
  • Stitcher: Feedback-driven Data Provider for Object Detection,该文发明了一种简单方法改进业界老大难:小目标检测问题。 该文作者来自中科院自动化所、旷视科技、香港中文大学,孙剑老师和贾佳亚老师都为...
  • 小目标检测方法

    千次阅读 2020-05-17 16:35:27
    不过在这几年的发展中,也涌现了一些提高小目标检测性能的解决手段,本文对这些手段做一个分析、整理和总结。 传统的图像金字塔和多尺度滑动窗口检测 最开始在深度学习方法流行之前,对于不同尺度的目标,大家普遍...
  • 小目标检测感想

    2021-04-09 16:02:29
    研究了一段时间coco上的小目标检测,打算放弃了,不过还是得做个总结和感想。 小目标检测有个主要的问题:小 小意味着: 1、信息量少 这是一个比较抽象的问题,小目标,纹理和轮廓都堆在一块儿,而且又少,对于偏好...
  • 基于视觉注意的红外小目标检测
  • 小目标检测综述

    2020-09-03 15:41:47
    本文记录仅仅对现阶段小目标检测可能会用到的一些方法进行汇总,并未有独创的解决办法。 定义 一般为原数据比例小于0.1就可以认为是小目标,或者小于35*35像素。CNNs的更深层有很大的步长(32 pixels)会导致对于...
  • 摘 要:小目标检测与硬件实现技术是决定精确制导武器性能的关键技术之一,其难点在于如何解决运算量大、实时性要求高与系统小型化要求之间的矛盾。选取了动态规划小目标检测算法,分析了其算法特点与资源需求,在此基础...
  • 小目标检测技术分析

    2020-04-19 06:41:47
    小目标检测技术分析 小目标检测及跟踪系统分为四个模块: · 硬件模块 该模块基于标准PCI总线,并配以超大规模可编程芯片(DSP、FPGA),具有极强的运算、处理能力。 · DSP 程序模块 其功能主要实现复杂背景下的...
  • 小目标检测论文阅读

    万次阅读 多人点赞 2018-08-26 11:15:33
    下面记录了一些论文的阅读总结: 算法发展历程: 传统图像算法: 传统图像算法使用hand-made feature,常用方法有SIFT、HOG、图像金字塔等...早期的目标检测框架(R-CNN、YOLO系列)对于小目标检测的效果都不甚良...
  • 基于SVD和叠加的低速小目标检测
  • 基于局部最大熵的红外小目标检测技术
  • 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...
  • 小目标检测与识别

    千次阅读 2019-03-07 10:45:22
    小目标检测:Improving Small Object Detection - 海星..._CSDN博客 小目标检测论文阅读 - 开心的火龙果的博客 - CSDN博客 小目标检测的一些理解 - weixin_38440272的博客 - CSDN博客 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,084
精华内容 2,433
关键字:

小目标检测