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

如何在更快的RCNN中消除误检测(误报)

在更快的RCNN中消除误检测（误报）的方法有以下几种：

数据增强（Data Augmentation）：通过对训练数据进行一系列的变换和扩充，如旋转、缩放、平移、翻转等，可以增加模型对不同场景的适应能力，减少误报的概率。
引入更多负样本（Negative Samples）：在训练过程中，除了使用正样本（目标物体）进行训练，还需要引入大量的负样本（非目标物体），使模型能够更好地区分目标和背景，从而减少误报的发生。
调整阈值（Threshold）：RCNN模型在进行目标检测时，会根据预测结果与设定的阈值进行判断，决定是否将其作为检测结果输出。通过调整阈值的大小，可以控制误报的数量。较高的阈值可以减少误报，但可能会导致漏报；较低的阈值可以增加检测的敏感性，但可能会增加误报的概率。
多尺度检测（Multi-scale Detection）：在RCNN中，可以通过在不同尺度下进行目标检测，以提高模型对目标的检测能力。通过在不同尺度下对输入图像进行缩放或裁剪，可以检测到不同大小的目标，从而减少误报的发生。
引入更多的上下文信息（Context Information）：除了目标本身的特征，还可以考虑引入目标周围的上下文信息，如背景、周围物体等。通过利用上下文信息，可以提高模型对目标的理解和判断能力，减少误报的概率。
结合其他模型或方法：可以尝试结合其他的目标检测模型或方法，如YOLO、SSD等，通过融合不同模型的优势，提高目标检测的准确性和鲁棒性，从而减少误报的发生。

腾讯云相关产品和产品介绍链接地址：

数据增强：腾讯云图像处理（https://cloud.tencent.com/product/ti）
引入更多负样本：腾讯云机器学习平台（https://cloud.tencent.com/product/tf）
调整阈值：腾讯云人工智能平台（https://cloud.tencent.com/product/ai）
多尺度检测：腾讯云图像处理（https://cloud.tencent.com/product/ti）
引入更多的上下文信息：腾讯云图像处理（https://cloud.tencent.com/product/ti）
结合其他模型或方法：腾讯云机器学习平台（https://cloud.tencent.com/product/tf）

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习行人检测器

在前一篇文章中，我们讨论了用于人体检测的早期方法，例如Vila Jones的目标检测框架（Haar级联）和方向梯度直方图（HOG）检测器。我们也看到了这些早期方法存在的问题，例如漏检、误检等。在本文中，我们将了解最新的深度学习技术是如何解决上述这些问题的，并使用代码来实现它。

03

Face Recognition 人脸识别该如何测试

1.误识率(False;Accept;Rate;FAR)：这是将其他人误作指定人员的概率;

01

人脸识别该如何测试

1.误识率(False;Accept;Rate;FAR)：这是将其他人误作指定人员的概率;

02

Face Recognition 人脸识别该如何测试

人脸识别以前在小编的记忆中，都是电影的情节，[ 金库!!! 安全大门!!! 收藏地下库!!! ] 扫脸进库 Duang~

04

目标检测（降低误检测率及小目标检测系列笔记）[通俗易懂]

深度学习中，为了提高模型的精度和泛化能力，往往着眼于两个方面：（1）使用更多的数据（2）使用更深更复杂的网络。

02

目标检测模型学习笔记

比起图像分类任务的数据扩增，目标检测的难点在于，要保持边界框和发生形变的图像之间的一致性 (Consistency) 。

01

Double FCOS: A Two-Stage Model UtilizingFCOS for Vehicle Detection in VariousRemote Sensing Scenes

在各种遥感场景中进行车辆检测是一项具有挑战性的任务。各种遥感场景与多场景、多质量、多尺度和多类别的图像混杂在一起。车辆检测模型存在候选框不足、正建议采样弱和分类性能差的问题，导致其应用于各种场景时检测性能下降。更糟糕的是，没有这样一个覆盖各种场景的数据集，用于车辆检测。本文提出了一种称为双完全卷积一阶段目标检测（FCOS）的车辆检测模型和一个称为多场景、多质量、多尺度和多类别车辆数据集（4MVD）的车辆数据集，用于各种遥感场景中的车辆检测。双FCOS是一种基于FCOS的两阶段检测模型。在RPN阶段利用FCOS生成各种场景中的候选框。精心设计了两阶段正样本和负样本模型，以增强正建议采样效果，特别是在FCOS中忽略的微小或弱车辆。在RCNN阶段设计了一个两步分类模型，包括建议分类分支和点分类分支，以提高各种类型车辆之间的分类性能。4MVD是从各种遥感场景中收集的，用于评估双FCOS的性能。4MVD上的双FCOS对五类车辆检测的平均准确率为78.3%。大量实验表明，双FCOS显著提高了各种遥感场景下的车辆检测性能。

03

【技术分享】Detectron模型性能优化与部署（1）

随着深度学习的应用场景不断拓展，应用规模的不断扩大，模型推理服务的性能也受到越来越多重视。同样一个模型在同样的硬件上，专业的模型优化在同样的推理精度下可能会带来几倍甚至几十倍的性能提升。一般来说，使用专用推理框架比如TensorRT、OpenVINO等，推理性能会好于Tensorflow，Pytorch等深度学习框架，对模型的定制优化推理性能会好于直接使用专用推理框架。

04

即插即涨2-3%！AC-FPN：用于目标检测的注意力引导上下文的特征金字塔网络

AC-FPN——用于目标检测的注意力引导上下文的特征金字塔网络，即插即用的新FPN模块，替换Cascade R-CNN、Mask R-CNN等网络中的FPN，可直接涨点2%-3%！

02

ECCV2020 | CPNDet:Anchor-free两阶段的目标检测框架，详解

来源丨https://blog.csdn.net/mary_0830/article/details/107820599

01

专栏 | 目标检测算法之YOLOv1

今天开始分享一下 YOLO 系列的目标检测算法，前面介绍了 SSD 算法和 Faster-RCNN，现在公司用 Faster-RCNN 的似乎不是很多，主要集中在 YOLO，SSD 以及 CenterNet 等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。

02

目标检测算法之YOLOv1

今天开始分享一下YOLO系列的目标检测算法，前面介绍了SSD算法和Faster-RCNN，现在公司用Faster-RCNN的似乎不是很多，主要集中在YOLO，SSD以及CenterNet等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。

02

Real-Time Object Detection-YOLO V1学习笔记

YOLO之前的Object Detection方法主要是通过Region Proposal产生大量的Bounding Box，再用Classifier判断每个Bounding Box是否包含Object，以及Object所属类别的Probability。

03

SNIPER: Efficient Multi-Scale Training

SNIP采用图像金字塔的方式需要对每一个像素进行处理，就会导致运行速递慢，SNIPER则对次进行了改进，而是以适当的比例处理gt（称为chips）周围的上下文区域，在训练期间每个图像生成的chips的数量会根据场景复杂度而自适应地变化，由于SNIPER在冲采样后的低分辨率的chips上运行，故其可以在训练期间收益于Batch Normalization，而不需要在GPU之间再用同步批量标准化进行统计信息。实验证明，BN有助于最后性能的提升。我认为这篇文章反映出了目标检测的根本之处-----正负例的选取，我们不需要将整张图片都送入网络，而是将target所在的部分上下文区域crop出来，再加以一定的数据增强，同时不能忘记对负例的sample，这也是文章后面通过实验加以验证的。

03

小白都能看懂！手把手教你使用混淆矩阵分析目标检测

最近，MMDetection 的新版本 V2.18.1 中加入了社区用户呼唤已久的混淆矩阵绘制功能。

01

动态数据竞争检测方法实验分析（一）

之前的文章大致介绍了一下我们的动态数据竞争检测平台如何构建，这篇文章主要是在动态数据竞争检测平台上实现了之前介绍的数据竞争检测方法，我们扩展了其中的一些方法使得这些方法能够识别所有的Pthread库中的同步原语。

02

关于安全体系中WAF的探讨

最近分享了我在WAF建设方面的一些经验，其中评论有一些让我有点意外，在这里引用一下：

02

在小尺寸人脸检测上发力的S3FD

人脸检测领域目前主要的难点集中在小尺寸，模糊人脸，以及遮挡人脸的检测，这篇ICCV2017的S3FD（全称：Single Shot Scale-invariant Face Detector）即是在小尺寸人脸检测上发力。

01

SNIP的升级版SNIPER（效果比Mosaic更佳）

前面介绍了在小目标检测上另辟蹊径的SNIP算法，这一节来介绍一下SNIP的升级版SNIPER算法，这个算法的目的是减少SNIP的计算量。并且相比于SNIP，基于Faster RCNN（ResNet101作为Backbone）的实验结果显示SNIPER的mAP值比SNIP算法提升了

04

目标检测算法之CVPR 2018 Cascade R-CNN

最近玩过检测比赛的同学应该都了解Cascade R-CNN这个算法吧，这是CVPR 2018提出的，通过级联多个检测网络达到不断优化预测结果的目的。但是和普通的级联检测器不同，Cascade R-CNN的多个检测网络是基于不同的IOU阈值进而确定不同的正负样本训练出来的，在COCO数据集上Cascade R-CNN取得了非常出色的结果，并且也成为了当前目标检测比赛中的有力Trick。

02

Prior-based Domain Adaptive Object Detection for Hazy

恶劣的天气条件，如雾霾和雨水，会破坏捕获图像的质量，导致训练在干净图像上的检测网络在这些图像上表现不佳。为了解决这一问题，我们提出了一种无监督的基于先验的领域对抗目标检测框架，使检测器适应于雾蒙蒙和多雨的条件。基于这些因素，我们利用利用图像形成原理获得的特定天气的先验知识来定义一个新的先验-对抗性损失。用于训练适应过程的前对抗性损失旨在减少特征中与天气相关的信息，从而减轻天气对检测性能的影响。此外，我们在目标检测管道中引入了一组残差特征恢复块来消除特征空间的扭曲，从而得到进一步的改进。针对不同情况(如霾、雨)，在不同数据集(雾城景观、雨城景观、RTTS和UFDD)上进行的评估显示了所提方法的有效性。

03

华中科大提出YOLOOC | 源于 YOLO又高于YOLO，任何类别都不在话下，误检已是过往

物体检测在计算机视觉中具有基础性作用。它旨在定位并识别图像中的物体。近年来，深度模型极大地推进了其进展。大多数先前的工作都是为闭集检测而设定的，其中所有需要在训练阶段检测的类别都是可用的。尽管现有模型在闭集设置中表现良好，但当面对新物体类别（即开集、开类或开放世界物体检测，OWOD）时，其性能会显著下降。

01

YOLO系列：V1,V2,V3,V4简介

YOLO系列是基于深度学习的回归方法。 RCNN， Fast-RCNN，Faster-RCNN是基于深度学习的分类方法。

01

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

计算机视觉中低延迟该如何检测？

之前在专栏的第一篇文章中介绍了一下关于层模型（layered model）的工作，并给自己挖了几个坑。今天让我来填其中一个坑：视频中的物体低延迟检测。由于这一系列工作目前贡献了一篇cvpr17和一篇iccv19共两篇论文，我将分上下两篇文章分别介绍，希望可以把工作的背景、思路、坑、相关思考和一些不在论文发表内容中的故事说明白。还是和上一篇一样，希望写出来的的不是机械的公式或者吹得天花乱坠神乎其神的PR，而是一些原理性的东西以及背后思考的过程。

03

实例分割综述（单阶段/两阶段/实时分割算法汇总）

目标检测或定位是数字图像从粗到细的一个渐进过程。它不仅提供了图像对象的类，还提供了已分类图像中对象的位置。位置以边框或中心的形式给出。语义分割通过对输入图像中每个像素的标签进行预测，给出了较好的推理。每个像素都根据其所在的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的单独实例提供了不同的标签。因此，实例分割可以定义为同时解决目标检测问题和语义分割问题的技术。本文对实例分割的背景、存在的问题、技术、发展、流行的数据集、相关工作以及未来的发展进行了讨论。本文为想在实例分割领域进行研究的人们提供了有价值的信息。

01

期待已久的—YOLO V3

好久不见各位研友（研究好友，不是考研的小伙伴，嘿嘿）！最近，因为题主学校事情比较繁忙，没有花更多的时间在我们的平台，希望关注支持我们的您，原谅我们更新的速度，希望大家继续支持我们，谢谢！刚结束自己的手头事情，就想到给大家更新点东西，然后就想到了YOLO V3的东西，因为之前自己有认真研读，发现确实了不起的框架，但是如果有对V1和V2了解的，一定很熟悉了，今天我就和大家来分享下最近的框架——YOLO V3。论文：https://pjreddie.com/media/files/papers/YOLOv3.

【AIDL专栏】Intel研究总监陈玉荣：如何高效的设计深度学习算法？(附PPT下载)

“人工智能前沿讲习班”(AIDL)由中国人工智能学会主办，旨在短时间内集中学习某一领域的基础理论、最新进展和落地方向，并促进产、学、研相关从业人员的相互交流。对于硕士、博士、青年教师、企事业单位相关从业者，预期转行AI领域的爱好者均具有重要的意义。2018年AIDL活动正在筹备，敬请关注公众号获取最新消息。

02

XSS之攻击与防御

在不少人看来，XSS漏洞造成的危害程度并不大，或者说，一个XSS漏洞的可利用价值并不高。但很多时候看起来一个不起眼的XSS漏洞，在高人的手里，就可能做出一番大动作。

03

新加入同学期待已久的YOLO V3

刚结束自己的手头事情，就想到给大家更新点东西，然后就想到了YOLO V3的东西，因为之前自己有认真研读，发现确实了不起的框架，但是如果有对V1和V2了解的，一定很熟悉了，今天我就和大家来分享下最近的框架——YOLO V3。

01

创新沙盒inky的一大关键技术分析：Logo识别技术

Logo识别技术是现实生活中应用很广的一个领域，比如一张照片中是否出现了Adidas或者Nike的商标Logo，或者一个杯子上是否出现了星巴克或者可口可乐的商标Logo。学术上早在2013年开始就已经陆续使用深度学习做相关的研究，而业界Logo识别已经开始商业化，包括谷歌，百度，阿里等公司都在AI开放平台开放了API给大家提供Logo识别的使用接口。在安全领域Logo识别技术的应用也很广泛，例如敏感信息挖掘，垃圾邮件过滤等方面都有涉及Logo识别相关的应用。2020年RSA创新沙盒中inky公司在恶意邮件识别系统中也用到了这一关键技术。

02

在 RK3399 开发板上部署 Tengine AI 框架

Tengine 是 OPEN AI LAB 一款轻量级神经网络推理引擎，它针对 Arm 嵌入式平台进行了专门优化，对 Android、Linux 系统都提供了很好的支持。

03

目标检测- YOLO v1--You Only Look Once

You Only Look Once: Unified, Real-Time Object Detection

04

深度学习: 目标检测算法效果对比

使用selective search方法先产生region proposals，再使用浅层CNN网络进行特征提取，最后使用svm进行分类。这篇论文里提及的一个点，就是关于bbox的回归方法。由于使用selective search方法提取的每一个region都进行一次前向卷积操作，因此R-CNN方法非常耗时，不适于实际检测使用。

04

专栏 | 后RCNN时代的物体检测及实例分割进展

机器之心专栏作者：huichan chen 物体检测是计算机视觉的重要任务之一，从最开始的 Viola-Jones 2001 的人脸检测开始，到 Ross 的 Deformable Part Model（DPM）2007 通用物体检测，再到现在基于深度学习的 Region Convolution（RCNN）2013 模型，我们见证了物体检测的准确率快速的提升，并且计算机视觉所使用的数学方法也从 Boosting，变成了 SVM，到最近的 Deep Neural Network。基于物体检测，研究者们成功的

08

专栏 | 当Faster RCNN遇到FPGA，自动驾驶开始飞了

当今的自动驾驶行业是一个百舸争流的局面，总体来看，还是西方引导东方的探索摸索，以 google 为主的以激光雷达为主的流派和以 Tesla 为主的机器视觉流派引导了整个市场。从发展趋势来看，两种方法正在进一步融合，最终会各取优势而相互补充发展。对整个自动驾驶领域，其核心技术是个拟人化的实现过程，即：感知->认知->决策->控制->执行五部分。感知，是所有智能体所要拥有的基本属性，自动驾驶要解决的第一个问题，就是汽车的感知系统，AI 算法的核心就是要解决感知问题。汽车的感知系统是多种传感器融合的系统。

04

DL开源框架Caffe | 目标检测Faster-rcnn问题全解析

本文介绍了如何使用深度学习检测物体，并提供了相关代码和教程。主要包括以下内容：1.基于Faster R-CNN的物体检测；2.使用PyTorch实现Faster R-CNN；3.训练自己的数据集进行物体检测；4.如何优化物体检测的精度；5.使用多GPU进行训练。

08

通过去中心化测试提升开发速度

正如我在最近的一篇文章中讨论过的那样，集中化测试会干扰开发者的速度。在以微服务为导向的模式中，集中化测试已成为发布流程中的一个“瓶颈”，因为开发代码和管理生产操作已经被有效地民主化并且它们的功能被隔离在更小的团队中。问题不在于工具本身。事实上，现代测试工具赋予团队惊人的能力，可以检测到以前会由最终用户发现的问题。问题在于太多问题没有在最终端到端(E2E)测试和验收测试之前被发现。

01

浅析森林烟火AI检测算法的应用及场景使用说明

现有的森林防火监测系统落后，以人工地面巡护、瞭望塔高点巡查为主，存在巡护范围有限、巡护效率低等问题，建立健全的森林防火风险预警体系，实现对森林、林场等场景的全天候智能自动监测、火情预警，及时发现森林火灾并辅助决策，是当前林业管理的重要任务。

03

如何有效增强数据集，yolov5 mAP从0.46提升到了0.79？

以监控摄像头数据集的人体检测模型为例，说明了如何通过对数据的理解来逐步提升模型的效果，不对模型做任何改动，将mAP从0.46提升到了0.79。

05

目标检测 | SSD，经典单阶段Anchor-Based目标检测模型

SSD算法，其英文全名是Single Shot MultiBox Detector, SSD的优势在于消除了bounding box proposal和pixel or feature resampling，并使用了multi-scale，因此达到了比faster rcnn和yolo更高的检测精度和更快的检测速度。

02

还没体验过无人超市？手把手教你用计算机识别技术自己开一家！

大数据文摘作品作者：Priya Dwivedi 编译：朝夕、吴双、钱天培 2016年年末，Amazon无人超市横空出世。在这家无人超市，店内的相机能够自动追踪你拿取的商品；完成购物后，你无需排队等候收银，只用直接走出超市。自此之后，阿里和京东也已相继加入战局，先后推出无人超市体验店。一时间，无人超市的概念已实现了大规模普及。无人超市的“黑科技”到底是什么呢？今天，文摘菌就为大家科普其中最重要的一环——基于计算机视觉技术的物体识别。首先，让我们分析一下实现无人超市的两大难点。难点一：把商品加入购物

04

综述二 | 最全的目标检测大综述（附下载链接）

我们将从多个方面回顾对象检测的历史，包括里程碑检测器、目标检测数据集、指标和关键技术的发展。

02

【金猿案例展】FPD领域龙头企业某T社——基于ADC的智能质检服务

数之联案例由于面板制程工序多且复杂，其制程工序的智能化发展是突破“智能制造”的重要环节。而质量检测贯穿电子制造全程，对于控制产品质量起到决定性作用。在生产过程中检测和修复各类缺陷也能够使制造商改进其生产过程，避免成本进一步提高。

01

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

04

【文本检测与识别-白皮书-3.1】第三节：算法模型

2014年论文《Rich feature hierarchies for accurate object detection and semantic segmentation Tech report》提出R-CNN模型，即Regions with CNN features。这篇论文可以算是将CNN方法应用到目标检测问题上的开山之作。

03

Yolo目标检测算法综述

YOLO9000 使用 YOLOv2 模型，采用联合训练算法训练，拥有9000类的分类信息。

01

【学术】无人零售背后的秘密：使用Tensorflow目标检测API实现更智能的零售结账

我一直在使用Tensorflow目标检测API，并对这些模型的强大程度感到惊讶。我想要分享一些API实际使用案例的性能。 Tensorflow目标检测API地址： https://github.com/tensorflow/models/tree/master/research/object_detection 第一个使用案例是更智能的零售结账体验。Amazon Go商店宣布后，这是一个热门领域。为商店设计智能货架，追踪顾客从货架挑选的东西。我通过构建两个目标检测模型来做到这一点 — 一个的追踪手，用来追

09

系统如何设计才能更快地查询到数据？

导语 | 开通微信时，系统如何判断你输入的手机号没被注册？如何使用更少的存储空间、更快的速度解决这个问题？对于这个问题，腾讯微信支付数据开发工程师杭天梦带来了她利用Bloom过滤器解决此类问题的思考，向大家分享。本文分享的主要内容为Bloom过滤器的简介、原理、应用和结论等。 “开通微信时，系统如何判断你输入的手机号没被注册？如何使用更少的存储空间、更快的速度解决这个问题？” 对于这个问题，最暴力的方法为：通过遍历来判断是否被注册。那么时间复杂度为O(n)，空间复杂度也是O(n)。稍微学过

04

SqliSniper：针对HTTP Header的基于时间SQL盲注模糊测试工具

SqliSniper是一款基于Python开发的强大工具，该工具旨在检测HTTP请求Header中潜在的基于时间的SQL盲注问题。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭