首页
学习
活动
专区
工具
TVP
发布

GiantPandaCV

专栏成员
722
文章
989730
阅读量
100
订阅数
VOS: Learning What You Don't Know by Virtual Outlier Synthesis
标题:VOS: Learning What You Don't Know by Virtual Outlier Synthesis
BBuf
2022-09-28
1.2K0
基于多传感器的3DMot
【GiantPandaCV导语】本文针对3D多目标跟踪任务,介绍了一下近年基于3d lidar目标检测(如pointpillars)模型的3d mot的算法进展。因为当前3d目标检测的论文和介绍较多,但对自动驾驶和机器人领域而言,后处理和跟踪部分尤为重要,这里就赏析一下近年的发展。
BBuf
2022-09-28
1.2K0
YOLOv7-Pose尝鲜,基于YOLOv7的关键点模型测评
目前人体姿态估计总体分为Top-down和Bottom-up两种,与目标检测不同,无论是基于热力图或是基于检测器处理的关键点检测算法,都较为依赖计算资源,推理耗时略长,今年出现了以YOLO为基线的关键点检测器。玩过目标检测的童鞋都知道YOLO以及各种变种目前算是工业落地较多的一类检测器,其简单的设计思想,长期活跃的社区生态,使其始终占据着较高的话题度。
BBuf
2022-09-28
2.9K0
重新思考单阶段3D目标检测中的IoU优化
论文题目: Rethinking IoU-based Optimization for Single-stage 3D Object Detection
BBuf
2022-09-28
1.2K0
YOLOV1 - V4 第二次阅读
V2:基于论文发布时间段其他学者的一些学术成果和作者自己的思考和实验进行yolo的改进
BBuf
2022-09-28
2330
检测器backbone和neck哪个更重要,达摩院新作有不一样的答案
【GaintPanda导语】这是关于GiraffeDet的论文详读,该论文提出以S2D Chain为组合模块,构建light backbone,再以Queen Fuse和Skip Connect构建GFPN作为颈部模块,与以往检测器的backbone>neck(FLOPS)的构建方式不同,GiraffeDet的neck在参数量和计算量上远超backbone。
BBuf
2022-04-06
1.3K0
计算机视觉三大经典应用,你学废了吗?
计算机视觉研究的最终目标是使计算机能通过视觉观察和理解世界,具有自主适应环境的能力,在深度学习发展起来后,卷积神经网络被广泛应用到图像定位、目标检测、目标分割、目标跟踪、行为识别等应用方面。
BBuf
2021-11-12
7570
Bag of Tricks for Neural Architecture Search
相比于普通的分类网络,基于超网的NAS更加难以训练,会出现收敛效果较差甚至不收敛的情况。并且,基于超网的NAS还需要额外关注子网的排序一致性等问题,训练策略的选择也极为重要。AutoSlim, BigNAS等文章都花费了大量篇幅来讲解超网的训练技巧。本文是CVPR2021 Workshop中的一篇短文,介绍了NAS中常用的Tricks。
BBuf
2021-11-12
5160
End-to-End Object Detection with Fully Convolutional Network
基于全卷积网络的主流目标检测器已经取得了很好的表现。然而大多数检测器仍旧需要一个手动设计的NMS后处理流程,阻碍了端到端的训练。
BBuf
2021-10-20
1.4K0
PPLcnet和YOLO的碰撞,真的能在cpu上快到起飞?
【GiantPandaCV导语】这是一篇论证博客,前几天,baidu发布了PPLcnet,这是一款专门为cpu设计的网络,在看完论文后,果断进行了PPLcnet-yolo的复现,一来是想验证下这个网络在cpu上的性能,二来如果验证效果work,这套实验可以合并到自己的仓库。
BBuf
2021-10-20
1K0
旋转目标检测表征新方法
简单介绍前段时间一个工作的思想:Optimization for Arbitrary-Oriented Object Detection via Representation Invariance Loss。讨论的是旋转目标表征的问题,发表在IEEE Geoscience and Remote Sensing Letters上。
BBuf
2021-10-20
1.3K0
追求极致:Repvgg重参数化对YOLO工业落地的实验和思考
【GiantPandaCV导语】之前做了一次shufflenetv2与yolov5的组合,目的是为了适配arm系列芯片,让yolov5在端侧设备上也能达到实时。但在gpu或者npu方面也一直在尝试着实验,对此类实验的目的很明确,要求也不高,主要还是希望yolov5在保持原有精度的同时能够提速。这一次的实验主要借鉴repvgg重参化的思想,将原有的3×3conv替换成Repvgg Block,为原有的YOLO模型涨点。本文版权属于GiantPandaCV,未经允许请勿转载
BBuf
2021-10-08
1.4K0
NCNN+Int8+yolov5部署和量化
【GiantPandaCV引言】 还记得我在两个月前写的文章吗,关于yolov4-tiny+ncnn+int8量化的详细教程:NCNN+INT8+YOLOV4量化模型和实时推理
BBuf
2021-09-14
3.4K0
ShuffleNetV2-Yolov5 更轻更快易于部署的yolov5
【GiantPandaCV导语】毕设的一部分,前段时间,在yolov5上进行一系列的消融实验,让他更轻(Flops更小,内存占用更低,参数更少),更快(加入shuffle channel,yolov5 head进行通道裁剪,在320的input_size至少能在树莓派4B上一秒推理10帧),更易部署(摘除Focus层和四次slice操作,让模型量化精度下降在可接受范围内)。版权属于GiantPandaCV,未经允许请勿转载
BBuf
2021-09-14
2.4K1
Towards Open World Object Detection -CVPR2021 Oral(开放世界中的目标检测)
首先基于一个现象:人类在对事物进行观察的时候,是能够检测到每个实例,并按照自己已知的知识来对每个实例进行分类,有认知的归属到对应类别,无认知的归属到未知(unknown),而过往的深度学习检测任务所完成的工作只能对已有认知的实例进行定位和分类,所以作者提出,能否使得检测算法达到更近似人类的认知体验?所以作者提出了“开放世界目标检测”任务。作者原文中对这个任务的解释如下:
BBuf
2021-04-16
2.1K0
INT4量化用于目标检测
【GiantPandaCV】文章2019 CVPR,讲的是Int 4量化用于目标检测,主要是工程化的一些trick。
BBuf
2021-03-24
1K0
基于Caffe格式部署YOLOV5模型
【GiantPandaCV导语】本文为大家介绍了一个caffe部署yolov5 模型的教程,并开源了全部代码。主要是教你如何搭建caffe推理环境,对yolov5模型做onnx格式转换,onnx模型转caffe模型,实测在1070显卡做到了11ms一帧!
BBuf
2021-03-10
2.2K0
C++实现yolov5的OpenVINO部署
本文编辑的时间是2020年12月3日,官方最新的releases是v3.1,在v3.0的版本中,官网有如下的声明
BBuf
2020-12-22
2.6K0
CNN骨干网络新选择HS-ResNet
【GiantPandaCV导语】这是最近百度的一篇网络结构设计文章,该网络结构是手工设计得来,主要改进在对特征图多级划分卷积,拼接,提升了网络的精度,同时也降低了推理时间。个人感觉是res2net,ghostnet的结合,并且训练阶段没引入过多的trick,最后的实验结果很惊艳,或许是炼丹的一个好选择。
BBuf
2020-11-17
1.4K0
【目标检测算法50篇速览】4,Anchor Free及Transformer时代
完成前三章的速览以后,到18年底的检测网络发展情况相信读者已经基本心里有数了,第四章我们将开始介绍从19年的anchor free类目标检测算法,到最新的transformer目标检测算法并尝试提供相应的代码仓库,以便更好的把握检测网络的发展。
BBuf
2020-11-09
9870
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
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