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…

2021-01-13 143点热度 0人点赞 阅读全文

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…

2020-09-23 526点热度 1人点赞 阅读全文

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…

2020-09-04 359点热度 3人点赞 阅读全文

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…

2020-09-04 170点热度 2人点赞 阅读全文

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…

2020-09-03 202点热度 2人点赞 阅读全文

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…

2020-09-03 270点热度 2人点赞 阅读全文

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…

2020-09-03 170点热度 2人点赞 阅读全文

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…

2020-09-01 318点热度 2人点赞 阅读全文

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…

2020-08-26 154点热度 1人点赞 阅读全文

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…

2020-08-26 153点热度 1人点赞 阅读全文