首页
学习
活动
专区
工具
TVP
发布

计算机视觉战队

专栏成员
821
文章
798687
阅读量
106
订阅数
650亿参数,8块RTX 3090 GPU就能全参数微调
在大模型方向上,科技巨头在训更大的模型,学界则在想办法搞优化。最近,优化算力的方法又上升到了新的高度。
计算机视觉研究院
2023-08-24
4370
SSD7 | 对嵌入式友好的目标检测网络,产品落地
计算机视觉研究院专栏 作者:Edison_G 在现在人工智能化时代,幼儿园也是一个众多家长关注的教育机构,在幼儿园小孩的安全是独一,在人工智能监控下,绝对保障了所有儿童的安全! 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 一、简要 对计算和内存的高需求是将现有目标检测网络部署到嵌入式设备中的最大挑战。现有的轻量级目标检测器直接使用轻量级神经网络架构,如MobileNet或在大尺度分类数据集上预先训练,导致网络结构灵活性差,不适用于某些特定场景。 在今天分享中,有研究
计算机视觉研究院
2022-07-18
3900
CVPR小目标检测:上下文和注意力机制提升小目标检测(附论文下载)
计算机视觉研究院专栏 作者:Edison_G CVPR21文章我们也分享了很多最佳的框架,在现实场景中,目标检测依然是最基础最热门的研究课题,尤其目前针对小目标的检测,更加吸引了更多的研究员和企业去研究,今天我们“计算机视觉研究院”给大家分享一个小目标检测精度提升较大的新框架! 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 论文: https://arxiv.org/pdf/1912.06319.pdf 1 简要 在各种环境中应用目标检测算法有很多局限性。特别是检
计算机视觉研究院
2022-06-27
6.6K0
多尺度深度特征(下):多尺度特征学习才是目标检测精髓(论文免费下载)
计算机视觉研究院专栏 作者:Edison_G 深度特征学习方案将重点从具有细节的具体特征转移到具有语义信息的抽象特征。它通过构建多尺度深度特征学习网络 (MDFN) 不仅考虑单个对象和局部上下文,还考虑它们之间的关系。 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 论文获取|回复”MDFN“获取论文 1 前景回顾 如果想详细知道上集我们具体说了多尺度特征的重要性及其发展,请点击下方链接,查阅相关内容: 多尺度深度特征(上):多尺度特征学习才是目标检测精髓(干货满满
计算机视觉研究院
2022-04-18
8160
SSFENet | 增强空间和语义特征用于目标检测(附论文下载)
计算机视觉研究院专栏 作者:Edison_G 目前最先进的目标检测器通常使用预先训练好的分类网络来提取特征,然后利用特征金字塔来检测不同尺度的目标。 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 源码获取|扫码回复“GWD”获取源码 1 简要 目前最先进的目标检测器通常使用预先训练好的分类网络来提取特征,然后利用特征金字塔来检测不同尺度的目标。然而,分类网络更喜欢平移不变性,而忽略了位置信息,因此直接使用提取的特征进行融合会影响性能。 在今天分享中,研究者提出了一个
计算机视觉研究院
2022-03-04
6670
目标检测干货 | 多级特征重复使用大幅度提升检测精度(文末附论文下载)
计算机视觉研究院专栏 作者:Edison_G 近年来,在利用深度卷积网络检测目标方面取得了显著进展。然而,很少有目标检测器实现高精度和低计算成本。 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 一、简要 近年来,在利用深度卷积网络检测目标方面取得了显著进展。然而,很少有目标检测器实现高精度和低计算成本。今天分享的干货,就有研究者提出了一种新的轻量级框架,即多级特性重用检测器(MFRDet),它可以比两阶段的方法达到更好的精度。它还可以保持单阶段方法的高效率,而且不使用非
计算机视觉研究院
2022-03-04
4400
春假返程堵车 | AI“高速”检测轻而易举监测大家安全
欢迎关注“计算机视觉研究院” 计算机视觉研究院专栏 作者:Edison_G 春节返程大军开始了!不管是离开小城镇还是进入大城市,每个高速路口都是堵车,现在人工智能愈来愈发达,不再用通过交警得知高速公路上的案发事件,现在都是摄像机覆盖,AI可以通过镜头&算法检测到行驶的车辆,如果有交通事故都是第一时间传达交警来处理。以至于有些路段都是通过无人机来进行交通事故处理! 长按扫描二维码关注我们 一、简要 Single-stage目标检测方法因其具有实时性强、检测精度高等特点,近年来受到广泛关注。通常,大多
计算机视觉研究院
2022-03-04
2070
目标检测干货 | 多级特征重复使用大幅度提升检测精度
近年来,在利用深度卷积网络检测目标方面取得了显著进展。然而,很少有目标检测器实现高精度和低计算成本。今天分享的干货,就有研究者提出了一种新的轻量级框架,即多级特性重用检测器(MFRDet),它可以比两阶段的方法达到更好的精度。它还可以保持单阶段方法的高效率,而且不使用非常深的卷积神经网络。该框架适用于深度和浅层特征图中包含的信息的重复利用,具有较高的检测精度。
计算机视觉研究院
2022-01-26
5290
多尺度深度特征(下):多尺度特征学习才是目标检测精髓
如果想详细知道上集我们具体说了多尺度特征的重要性及其发展,请点击下方链接,查阅相关内容:
计算机视觉研究院
2022-01-26
5350
多尺度深度特征(上):多尺度特征学习才是目标检测精髓(干货满满,建议收藏)
下采样倍数小(一般是浅层)的特征感受野小,适合处理小目标,小尺度特征图(深层)分辨率信息不足不适合小目标。在yolov3中对多尺度检测的理解是,1/32大小的特征图(深层)下采样倍数高,所以具有大的感受野,适合检测大目标的物体,1/8的特征图(较浅层)具有较小的感受野,所以适合检测小目标。FPN中的处理在下面。对于小目标,小尺度feature map无法提供必要的分辨率信息,所以还需结合大尺度的feature map。还有个原因是在深层图做下采样损失过多信息,小目标信息或许已经被忽略。
计算机视觉研究院
2022-01-26
2.1K0
国庆堵车 | AI“高速”车辆检测轻而易举监测大家安全
Single-stage目标检测方法因其具有实时性强、检测精度高等特点,近年来受到广泛关注。通常,大多数现有的single-stage检测器遵循两个常见的实践:它们使用在ImageNet上预先训练的网络主干来完成分类任务,并使用自顶向下的特征金字塔表示来处理规模变化。
计算机视觉研究院
2022-01-26
3950
CVPR21小目标检测:上下文和注意力机制提升小目标检测(附论文下载)
在各种环境中应用目标检测算法有很多局限性。特别是检测小目标仍然具有挑战性,因为它们分辨率低,信息有限。
计算机视觉研究院
2021-07-09
7K0
目标检测 | 丰富特征导向Refinement Network用于目标检测(附github源码)
研究者提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题。没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。进一步引入了一种级联的优化(精炼)方案,该方案首先将多尺度的上下文特征注入到一阶段检测器的预测层中,以增强其进行多尺度检测的判别能力。其次,级联精炼方案通过细化anchors和丰富的特征以改善分类和回归来解决类不平衡问题。对于MS COCO测试上的320×320输入,新的检测器在单尺度推理的情况下以33.2的COCO AP达到了最先进的一阶段检测精度,操作是在一个Titan XP GPU上以21毫秒运行的 。对于MS COCO测试上的512×512输入,与最佳的单阶段结果相比,就COCO AP而言,新方法获得了一个明显的增加(增加了1.6%)。
计算机视觉研究院
2021-05-31
5400
干货实践 | Anchor优化后在目标检测提升这么明显
基于无anchor机制的特征选择模块,是一个简单高效的单阶段组件,其可以结合特征金字塔嵌入到单阶段检测器中。FSAF解决了传统基于anchor机制的两个限制:
计算机视觉研究院
2021-01-27
8450
快速准确的人脸检测&识别新框架(进阶)(文末附源码)
上一期“计算机视觉战队”已经和大家分享了相关的人脸检测、识别和验证背景及现状的发展状况,今天我们继续说说人脸领域的一些相关技术以及新框架的人脸检测识别系统。
计算机视觉研究院
2019-09-02
9350
快速准确的人脸检测、识别和验证新框架(文末附源码)
上一期“计算机视觉战队”已经和大家分享了相关的人脸检测、识别和验证背景及现状的发展状况,今天我们继续说说人脸领域的一些相关技术以及新框架的人脸检测识别系统。
计算机视觉研究院
2019-08-29
8710
CV环境很重要!!各种环境搭建大全
二月已经不知不觉过去了一大半,新年的开工部分同学估计也过去一周了吧。下周二貌似元宵节,在此“计算机视觉战队”祝大家元宵节快乐,接下来的”猪“年财源滚滚、科研硕果累累、实现自己的目标!
计算机视觉研究院
2019-03-07
5470
深度压缩网络 | 较大程度减少了网络参数存储问题
神经网络是计算密集型和内存密集型,很难使它们用有限的硬件资源去部署在嵌入式系统中。为了解决这种限制,本文引入“深度压缩”,一共有三个阶段的流水线:剪枝、量化和霍夫编码,它们一起工作去减少神经网络的存储问题,并在没有影响精确度的情况下压缩了35倍到49倍。最后在ImageNet数据集上的实验结果,将AlexNet压缩了35倍(从240MB压缩到6.9MB)并没有精确度损失;将VGG-16压缩了49倍(从552MB压缩到11.3MB),也没有精确度损失。 训练主要步骤: 剪枝神经网络,只学习重要的连接; 量化
计算机视觉研究院
2018-04-17
1.3K0
没有更多了
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
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档