深度学习与计算机视觉-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

深度学习与计算机视觉

专栏成员

279

文章

412250

阅读量

74

订阅数

[Intensive Reading]目标检测(object detection)系列（十二） CornerNet：anchor free的开端

图像识别机器学习神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

5620

[Intensive Reading]目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作

图像识别机器学习神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

3520

[Intensive Reading]目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度

图像识别机器学习神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

3950

[Intensive Reading]目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言

机器学习图像识别神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

3800

[Intensive Reading]目标检测(object detection)系列（八）YOLOv2：更好，更快，更强

图像识别神经网络深度学习人工智能机器学习

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

5170

[Intensive Reading]目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN

机器学习神经网络深度学习人工智能图像识别

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-10

4800

[Intensive Reading]目标检测(object detection)系列（六） SSD：兼顾效率和准确性

机器学习图像识别神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-09

2660

[Intensive Reading]目标检测(object detection)系列（五）YOLO：目标检测的另一种打开方式

机器学习图像识别神经网络深度学习人工智能

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-09

3170

[Intensive Reading]目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN

机器学习神经网络深度学习人工智能图像识别

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-09

4240

[Intensive Reading]目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练

机器学习神经网络深度学习人工智能图像识别

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

2022-05-09

5010

HOG原理与OpenCV实现

图像识别机器学习神经网络深度学习人工智能

方向梯度直方图（Histogram of Oriented Gradient, HOG）于2005年提出，是一种常用的特征提取方法，HOG+SVM在行人检测中有着优异的效果。

2022-05-07

1.8K0

K-means算法及OpenCV实现

编程算法神经网络深度学习人工智能机器学习

K-means算法MacQueen在1967年提出的，是最简单与最常见数据分类方法之一并且最为一种常见数据分析技术在机器学习、数据挖掘、模式识别、图像分析等领域都用应用。从机器学习的角度看，K-means属于一种无监督的机器学习方法。无监督学习（Unsupervised Learning）简单的说就是在不给定正确答案（标签）的情况下，在数据中找到一些相似的特征用以分析（分类）数据的方法。而在K-means算法解决图像的问题中，就是在对图像的像素点进行分类，达到图像分割的目的。

2022-05-07

6760

学习SVM（一） SVM模型训练与分类的OpenCV实现

机器学习神经网络深度学习人工智能

学习SVM（一） SVM模型训练与分类的OpenCV实现学习SVM（二）如何理解支持向量机的最大分类间隔学习SVM（三）理解SVM中的对偶问题学习SVM（四）理解SVM中的支持向量（Support Vector）学习SVM（五）理解线性SVM的松弛因子

2022-05-07

1.2K0

[Extensive Reading]目标检测(object detection)系列（十六）YOLOv4：平衡速度与精度

图像识别神经网络深度学习人工智能机器学习

YOLOv4是YOLO之父Joseph Redmon宣布退出计算机视觉的研究之后推出的YOLO系列算法，其作者Alexey Bochkovskiy也参与了YOLO之前系列算法，《YOLOV4: Optimal Speed and Accuracy of Object Detection》，其主要贡献在于对近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，组合出一个精度与速度兼备的结构。

2021-12-07

4470

[Intensive Reading]目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

存储图像识别神经网络深度学习人工智能

Faster R-CNN，YOLO和SSD在通用目标检测领域有着奠基一般的作用，而YOLOv2和YOLOv3由于其灵活易用的特性，在工业界一直很受欢迎，下面这篇文章主要想从损失函数的角度集中讨论下这几个主流框架的区别。

2021-11-18

6100

[Intensive Reading]MOT：SORT

编程算法机器学习神经网络深度学习人工智能

SORT是一个快速的在线的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，这些特性决定了SORT实用性非常好，SORT的论文是SIMPLE ONLINE AND REALTIME TRACKING，发表于2016年，SORT在当时对MOT领域起到了基石般的作用。

2021-11-17

2960

[Intensive Reading]MOT：Towards Real-Time Multi-Object Tracking

机器学习神经网络深度学习人工智能对象存储

Towards Real-Time Multi-Object Tracking是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，在之前的MOT算法中惯用的策略就是先检测，得到视频中目标bbox，然后再考虑前后帧的匹配策略，为了更好的匹配效果，一般匹配中都会加入Re-ID，文章中把Re-ID等同于embedding，即一般方法中，detection model和embedding model是分开，独立的。而《Towards Real-Time Multi-Object Tracking》中将detection model和embedding model整合为一个模型，即Joint Detection and Embedding (JDE) model，所以我们用JDE作为《Towards Real-Time Multi-Object Tracking》的简称。

2021-11-17

6730

[Extensive Reading]SOT：SiameseRPN

图像识别机器学习神经网络深度学习人工智能

SiameseRPN：High Performance Visual Tracking with Siamese Region Proposal Network SiameseFC成功使用孪生网络成功解决SOT问题，虽然它不是真正意义上的第一个使用Siamese结果的SOT算法，但是SiameseFC之于SOT，就像SORT之于MOT，RCNN之于目标检测，甚至AlexNet之于CNN一样。但是SiameseFC有一个致命的问题，无法适应尺度变化。就像最早的目标检测一样，当不是用SS做区域建议时，怎么解决目标尺度变化的问题：Faster R-CNN的RPN； SiameseRPN就是在SiameseFC的基础上引入PPN，处理SOT中的目标尺度变化； SiameseRPN用的是和SiameseFC非常相似的主干网络，最后输出的厚度不同，SiameseFC为128，SiameseRPN为256，同样no padding； SiameseRPN相比于SiamFC，精度更高，速度更快（160fps：86fps），速度快是因为SiameseRPN不需要多尺度；

2021-07-19

2270

[Extensive Reading]MOT：CenterTrack

node.js 机器学习神经网络深度学习人工智能

CenterTrack是CenterNet目标检测网络的作者xingyizhou在多目标跟踪领域的工作，Tracking Objects as Points，作为一个多目标跟踪算法，个人认为CenterTrack比较新颖的地方在于不完全依赖前后帧的IOU关系，而是把匹配的过程尽量多的交给CNN结果，减少了常规多目标跟踪方法中负责的匹配过程，而这个匹配甚至可以和IOU解耦，CenterTrack在单图训练的情况下，也有一定的跟踪能力。

2021-07-19

7620

[Extensive Reading]目标检测(object detection)系列（十五） Mask R-CNN：检测与分割结合

机器学习神经网络深度学习人工智能 tcp/ip

Mask R-CNN 是在2017年提出，是FAIR团队的Kaiming大神和RBG大神的强强联手之作。paper的名字非常简洁，就叫Mask R-CNN，R-CNN系列确实可以独树一帜。 Mask R-CNN无论是在方法创新上还是工程实现上，都非常具有影响力，首先是ICCV2017的best paper，其次FAIR团队的maskrcnn-benchmark项目也被很多人使用和改进，并作为其它工作的codebase model，现在，一方面由于maskrcnn-benchmark不再更新，以及detectron2和mm-detection的出现，maskrcnn-benchmark的被使用程度才逐渐下滑。

2021-07-19

5030

点击加载更多

社区活动

【纪录片】中国数据库前世今生

穿越半个世纪，探寻中国数据库50年的发展历程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态