计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被研究学者广泛关注。
作者： Adrian Rosebrock 机器之心编译 目标检测技术作为计算机视觉的重要方向，被广泛应用于自动驾驶汽车、智能摄像头、人脸识别及大量有价值的应用上。这些系统除了可以对图像中的每个目标进行识别、分类以外，它们还可以通过在该目标周围绘制适当大小的边界框来对其进行定位。本文作者从图像识别与目标检测的区别开始，进一步简单介绍了目标检测的基本模块与实现方法。本文是目标检测的一般指南，它并没有详细介绍主流的目标检测算法，这些算法读者可参考从 RCNN 到 SSD，这应该是最全的一份目标检测算法盘点
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
在数字仿真技术应用领域，特别是在自动驾驶技术的发展中，目标检测是至关重要的一环，它涉及到对周围环境中物体的感知，为智能装备的决策和规划提供了关键信息。
AI 科技大本营按：本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题：
作为视觉注意力机制在目标分割任务上的延拓，并作为计算机视觉任务中非常重要的预处理步骤之一，显著性目标检测在立体匹配、图像理解、动作识别、视频检测和分割、语义分割、医学图像分割、目标跟踪、行人重识别、伪装目标检测以及图像检索等领域中发挥着非常重要的作用，如图1所示。由此可见，显著性目标检测有着广泛的应用价值和重要的研究意义。
编译 | 庞佳 责编 | Leo 出品 | 人工智能头条（公众号ID：AI_Thinker） 【AI 科技大本营按】本文编译自 Adrian Rosebrock 发表在 PyImageSearch 上的一篇博文。该博文缘起于一位网友向原作者请教的两个关于目标检测的问题： 如何过滤或忽略我不感兴趣的类？ 如何在目标检测模型中添加新的类？这是否可行？ Adrian Rosebrock 认为这两个问题是学习目标检测的同学经常问到的问题，于是创作了本篇文章统一回答。 以下为博文摘录，AI 科技大本营编译： 具体来
作者丨Aritra Roy Gosthipaty and Ritwik Raha 编译丨ronghuaiyang 编辑丨AiCharm
人类可以在几毫秒内在我们的视线中挑选出物体。事实上，你现在就环顾四周，你将观察到周围环境并快速检测到存在的物体，并且把目光回到我们这篇文章来。大概需要多长时间？
目标检测与识别是指从一幅场景（图片）中找出目标，包括检测（where)和识别（what)两个过程。任务的难点在于待检测区域候选的提取与识别，所以，任务的大框架为：
上次整理了近期目标检测比较亮眼的论文汇总，详见： 一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）。很多CVers在后台和微信社群反映：这些都是很新的论文，我刚入门都看不懂怎么办？
基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。
基于深度学习的目标检测方法根据有无区域提案阶段划分为区域提案检测模型和单阶段检测模型，其最近发展历程在图1中画出。
本文是翻译自Object detection: an overview in the age of Deep Learning - Tryolabs Blog (http://t.cn/RNf1Ap9)。这篇文章主要是对深度学习目标检测进行概览，并不深入，适合那些想了解深度学习目标检测方向的读者。 从简单的图像分类到3D姿势识别，计算机视觉领域从来不缺乏有趣的问题。其中，我们最感兴趣的，也投入精力去研究的领域之一就是目标检测。就像许多其他计算机视觉问题，该领域还缺乏一个显而易见或者“做好的”方法，这意味着目
目标检测是计算机视觉中的经典问题之一，而图神经网络是目前较热的研究方向，两者是否有一些结合的思考呢？下面给大家介绍6篇有价值的目标检测论文，希望对大家的研究和工作有所帮助~ 凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。 本文就为大家推荐其中 6 篇有价值的目标检测论文。 目标检测论文推荐 2021 01 推荐理由：文章回顾了400多篇关于目标检测的论文，涵盖目标检测近20年的发展。 本文涵盖了许多主题，包括历史上的里程碑检测器、检测数据集、度量
目标检测是计算机视觉领域中的一个基础视觉识别问题，在近几十年得到了广泛研究。视觉目标检测即在给定图像中找出属于特定目标类别的对象及其准确位置，并为每个对象实例分配对应的类别标签。
目标检测与跟踪是计算机视觉领域的重要任务，用于在图像或视频中自动检测和跟踪特定的目标。这项技术在人脸识别、行人检测、车辆跟踪等领域具有广泛应用。本文将以目标检测与跟踪概念为中心，为你介绍使用 OpenCV 进行目标检测和跟踪的基本原理、方法和实例。
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
SSD是Single Shot MultiBox Detector的缩写，速度比Faster RCNN更快，mAP优于YOLO v1，SSD为单阶段目标检测算法，所谓单阶段目标检测指的是同时进行分类与定位，一气呵成，目前使用比较火爆的目标检测网络有
关注并星标 从此不迷路 计算机视觉研究院 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 计算机视觉研究院专栏 作者：Edison_G 目标检测是现在最热门的研究课题，目前最流行的还是Yolo系列框架，最近我们计算机视觉研究院也分享了很对目标检测干活及实践，都是Yolo-Base框架，今天我们分享一个经过修改后的Yolov5，实时检测的效果！ 开源代码：https://github.com/ultralytics/yolov5/releases 01 前言 目标检
最近发生的一起自动驾驶车辆致命事故引发了一场关于在自动驾驶传感器套件中使用红外技术以提高鲁棒目标检测可见性的辩论。与激光雷达、雷达和照相机相比，热成像具有探测红外光谱中物体发出的热差的优点。相比之下，激光雷达和相机捕捉在可见光谱，和不利的天气条件可以影响其准确性。热成像可以满足传统成像传感器对图像中目标检测的局限性。提出了一种用于热图像目标检测的区域自适应方法。我们探讨了领域适应的多种概念。首先，利用生成式对抗网络，通过风格一致性将低层特征从可见光谱域转移到红外光谱域。其次，通过转换训练好的可见光光谱模型，采用具有风格一致性的跨域模型进行红外光谱中的目标检测。提出的策略在公开可利用的热图像数据集(FLIR ADAS和KAIST多光谱)上进行评估。我们发现，通过域适应将源域的低层特征适应到目标域，平均平均精度提高了约10%。
旋转目标检测是一项有挑战性的任务，因为难以定位多角度物体并且与背景准确和快速的分离。虽然已经取得了长足的进步，但在实际设置中，对于大宽高比，密集分布和类别不平衡的旋转目标检测仍然存在困难。
向大家推荐一篇今天新出的论文Recent Advances in Deep Learning for Object Detection，该文调查了2012年以来的256篇深度学习目标检测的文献，用40页的篇幅由远及近、有浅入深从目标检测算法组件、学习策略、应用与基准测评三个角度展现了该领域近年进展，内容详实而全面，非常值得参考。
题目：Object Detection in 20 Years: A Survey
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
近年来，自动驾驶汽车不断走进我们的视野中，面向自动驾驶的目标检测算法也成为了国内外的研究热点之一。安全可靠的自动驾驶汽车依赖于对周围环境的准确感知，以便及时做出正确的决策。目标检测是自动驾驶系统的关键任务之一，其主要的功能是检测前方道路上出现的目标的空间位置和目标类别。
Yolov8是一种流行的目标检测算法，而FasterNet则是一个基于神经网络的目标跟踪算法。本文将介绍如何将Yolov8和FasterNet结合起来，实现更准确和更快速的目标检测和跟踪。
目标检测是计算机视觉里面十分重要的任务。 作为计算机视觉中众多基础问题中的一个，目标检测成为了许多其他计算机视觉任务的基础，比如：实例分割，目标跟踪和姿态估计等。 深度学习的飞速发展使得目标检测重获新生，以至于其获得了重大突破，并使其成为了研究的热点。目标检测如今已经广泛的应用于现实生活中的各种应用之中：无人驾驶、机器人视觉、视频监控等。 本文就为大家推荐其中8篇最新的目标检测论文。 [1] 通过语义对齐匹配加速 DETR 收敛 Accelerating DETR Convergence via Se
如今，“图像分类”、“目标检测”、“语义分割”、“实例分割”和“目标追踪”等5大领域是计算机视觉的热门应用。其中“图像分类”与“目标检测”是最基础的应用，在此基础上，派生出了“语义分割”、“实例分割”和“目标跟踪”等相对高级的应用。
【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测
就像许多其他计算机视觉问题，该领域还缺乏一个显而易见或者“做好的”方法，这意味着目标检测仍然有很大的进步空间。
选自arXiv 作者：Zeming Li、Chao Peng、Gang Yu、Xiangyu Zhang、Yangdong Deng、Jian Sun 机器之心编译 参与：路雪、刘晓坤 基于当前用预训练分类器开发目标检测器的方法的固有缺陷，来自清华大学和旷视的研究者提出了专用于目标检测的骨干网络 DetNet。DetNet 可在保持高分辨率特征图和大感受野的同时，高效地执行目标检测任务，并可以自然地扩展到实例分割任务上。在 MSCOCO 数据集的目标检测和实例分割任务上，DetNet 都取得了当前最佳的结果
关注并星标 从此不迷路 计算机视觉研究院 公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 源代码获取｜回复“CB”获取源代码 计算机视觉研究院专栏 作者：Edison_G 检测器的置信度预测在目标大小和位置方面存在偏差，但目前尚不清楚这种偏差与受影响的目标检测器的性能有何关系。 一、前言 无数应用依赖于目标检测器的可靠置信度估计的准确预测。然而，众所周知，包括目标检测器在内的神经网络会产生错误校准的置信估计。最近的工作甚至表明，检测器的置信度预测在目标大小和位置方面存
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 目标检测扩展系列： 目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法 目标检测(object detection)扩展系列（二） OHEM：在线难例挖掘 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
本文是目标检测方向的第一篇，目标检测是当前个人最熟悉的任务之一，这是很久之前在知乎专栏写的文章，曾经被多个公众号转载，但是因为一些客观原因，无意中注销了知乎。在分享目标检测相关的总结之前，先介绍一下目标检测任务很有必要，而了解一个任务最简单的方式就是通过综述，所以重新展示一下该篇。
前几天，Amusi分享了Anchor-free目标检测的学习资料，详见 GitHub：Anchor-free目标检测最全资料集锦
作为计算机视觉中众多基础问题中的一个，目标检测成为了许多其他计算机视觉任务的基础，比如：实例分割，目标跟踪和姿态估计等。
目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。
目标检测对光学遥感图像的解释至关重要，可以作为研究利用遥感的其他视觉任务的基础。然而，目前在光学遥感图像中使用的目标检测网络没有充分利用特征金字塔的输出，因此仍有改进检测的潜力。
作者：Xiongwei Wu, Doyen Sahoo, Steven C.H. Hoi
计算机视觉研究院专栏 作者：Edison_G 目前在目标检测方面的进展依赖于大规模的数据集来获得良好的性能。然而，在许多场景下可能并不总是有足够的样本，从而导致当前基于深度学习的目标检测模型的性能下降。 长按扫描二维码关注我们一、简要为了克服上述的问题，有研究者提出了一种新的one-shot条件检测框架(OSCD)。给予一个含有target object的support image和query image作为输入，OSCD可以在查询图像中检测属于目标对象类别的所有目标。具体来说，OSCD由一个Siam
无数应用依赖于目标检测器的可靠置信度估计的准确预测。然而，众所周知，包括目标检测器在内的神经网络会产生错误校准的置信估计。最近的工作甚至表明，检测器的置信度预测在目标大小和位置方面存在偏差，但目前尚不清楚这种偏差与受影响的目标检测器的性能有何关系。
今天我们就先说说第一章：INTRODUCTION 目标检测是数字图像中某一类 ( 如人、动物或汽车 ) 的重要计算机视觉任务。目标检测的目标是开发计算模型和技术，提供计算机视觉应用程序所需的最基本的信
【导读】大家好，我是泳鱼。一个乐于探索和分享AI知识的码农！今天给大家带来一篇关于小样本目标检测的研究综述。本文从小样本目标检测任务和问题、学习策略、检测方法、数据集与实验等角度出发，对当前小样本目标检测的研究成果加以梳理和总结。希望这篇文章能对你有所帮助，让你在学习和应用AI技术的道路上更进一步！
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
