针对MobileNet v1的缺点，2018年诞生的MobileNet v2吸收了残差网络的思想，主要从两个方面改善了网络结构，提升了MobileNet的检测精度。 首先，MobileNet v2利用残差结构取代了原始的卷积堆叠方式，提出了一个Inverted ResidualBlock结构，如图5所示。依据卷积的步长，该结构可分为两种情形，在步长为1时使用了残差连接，融合的方式为逐元素相加。 相比于MobileNet v1与原始的残差结构，这里有两点不同： Inverted Residual Block结构 由于…

NEU数据集大全，包含了原始数据集，扩展的64*64大小的分类数据集，缺陷定位（带有label）的数据集钢材表面：NEU-CLS（可用于分类、定位任务） 由东北大学（NEU）发布的表面缺陷数据库，收集了热轧钢带的六种典型表面缺陷，即轧制氧化皮（RS），斑块（Pa），开裂（Cr），点蚀表面（ PS），内含物（In）和划痕（Sc）。该数据库包括1,800个灰度图像：六种不同类型的典型表面缺陷，每一类缺陷包含300个样本。对于缺陷检测任务，数据集提供了注释，指示每个图像中缺陷的类别和位置。对于每个缺陷，黄色框是指示其位置…

入门深度学习比较好的书籍：<<动手学深度学习>>，该书将实战与知识点相结合，学习效率十分高，同时通过浅显易懂的方式讲解其中的算法原理，入门深度学习十分简单，同时其对应的电子书中，其源码包括分别包括Pytorch、TensorFlow、MxNet框架的代码，十分方便学习深度学习在不同框架下的实现。该书是面向中文读者的能运行、可讨论的深度学习教科书，它将文字、公式、图像、代码和运行结果结合在一起。本书将全面介绍深度学习从模型构造到模型训练，以及它们在计算机视觉和自然语言处理中的应用。 ​ 每一小…

本文整理了ECCV2020目前开源的分割方向的全部论文，涵盖实例分割、语义分割、点云分割、目标跟踪与分割以及视频目标分割等多个方向，并对每一篇论文进行了简要介绍，文末附论文打包下载。 实例分割 【1】Conditional Convolutions for Instance Segmentation（Oral）作者｜Zhi Tian, Chunhua Shen, Hao Chen机构｜阿德莱德大学代码｜https://git.io/AdelaiDet 介绍：本文提出了一个简单而有效的实例分割框架CondInst。效…

前言 这份资料，笔者可以保证是目前网上关于车道线检测最全的资料合集（如果你知道有更棒的，欢迎后台推荐）。 ​ 一幅图理解一下车道检测是干嘛的： 据笔者了解，车道线检测解决方案主要分为传统图像处理和深度学习两种。看起来每个领域都可以这么说，但车道线检测与其它研究方向不太一样。因为检测的目标可能是直线也可能是曲线，而且只是"线"而已，目前很多公司还在用传统图像处理方法来解决。这个开源库主要包括以下内容： 论文（以2017之后为主）开源代码博客数据集 论文 如图所示，尽可能涵盖了两年内车道线检测（lane detecti…

前言 大家向我反映希望看到更多方向的awesome项目，本文就给大家推荐一个图像分类（Image Classification）的最全资料项目。 这里多说一点，去年的时候，我在github上找图像分类的资料，其实并没有awesome-image-classification。所以这个项目比较新，而且更新频率很高，所以很值得推荐给大家。 awesome-image-classification 这是在学习图像分类时，整理的论文和代码等资源合集。其中论文年份是从2014年开始，所列出的论文都是在ImageNet上有一定…

前言 Anchor-free 目标检测 无疑是近一两年内目标检测非常重要的研究方向之一，Amusi 觉得特别是得益于DenseBox、CornerNet、FCOS和CenterNet等网络的创新性提出。 近两年里，CVPR 2019、ICCV 2019、CVPR 2020和ECCV 2020上出现了不少anchor-free目标检测的优质工作。"先富带后富"，近来也有若干anchor-free目标跟踪网络的提出。 在本文要分享的是目前最全，最新的anchor-free目标检测论文合集。 Anch…

昨天新出的论文 Pixel-Face: A Large-Scale, High-Resolution Benchmark for 3D Face Reconstruction 介绍了阿里巴巴、香港中文大学、中科院推出的大型人脸三维重建数据集Pixel-Face。 作者 | Zhang Yunxuan, Rong Yu, Liu Ziwei, Cheng Cheng 单位 | 阿里巴巴；港中文；中科院 Pixel-Face 数据集中的3D样例： 三维人脸重建是一项计算机视觉基本任务，可以促进众多应用，如鲁棒的面部分析…

经过前面的学习，读者应该对当前主流的物体检测算法，以及如何使用PyTorch搭建网络框架有了较为深入的理解。为了扩宽读者的思维空间，笔者将从更为宏观的角度介绍物体检测的未来发展趋势，尤其是有较大创新意义的方法，希望能对读者有所启发。 重新思考物体检测 在过去的几年的时间里，基于深度学习的检测算法取得了巨大成功。基于Faster RCNN、SSD和YOLO等改善算法你方唱罢我登场，在每年的顶级会议中都能看到它们的身影，其在工业界也有了诸多落地应用。 学习了诸多算法后，我们需要回过头来重新审视物体检测，思考当前有哪些关…

在前面的学习中，我们对物体检测模型的思想、结构及实现有了一定的了解，但是要想获得较好的检测性能，检测算法的细节处理也极为重要。 在众多的细节处理中，非极大值抑制、样本的不均衡及模型的过拟合这3个问题尤为重要，对模型的性能影响极大。本章将依次对这3个问题进行详细的分析，并给出一些经典的解决方法。 非极大值抑制：NMS 当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多于1个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用NMS过滤掉重叠的候选框，得到最佳的预测输出。 NMS方法简单有效，并且对检…