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…

2020-09-04 146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…

2020-09-03 186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…

2020-09-03 225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…

2020-09-03 156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…

2020-09-01 284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…

2020-08-26 142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…

2020-08-26 138点热度 1人点赞 阅读全文

前面几篇文章依次介绍了3种出色的轻量化网络:SqueezeNet、MobileNet及ShuffleNet。其中,SqueezeNet精心设计了一个压缩再扩展的模块,有效降低了卷积计算量;MobileNet v1及MobileNet v2则发挥了深度可分离卷积的优势,提升了卷积计算的效率。ShuffleNet更进一步,在分组卷积的思想上提出了通道混洗操作,避免了大量1×1卷积的操作,可谓经典。通常情况下,将这几种轻量化网络应用到检测框架中,在速度上均可以得到不同程度的提升。

2020-08-25 109点热度 1人点赞 阅读全文

为了降低计算量,当前先进的卷积网络通常在3×3卷积之前增加一个1×1卷积,用于通道间的信息流通与降维。然而在ResNeXt、MobileNet等高性能的网络中,1×1卷积却占用了大量的计算资源。 2017年的ShuffleNet v1从优化网络结构的角度出发,利用组卷积与通道混洗(Channel Shuffle)的操作有效降低了1×1逐点卷积的计算量,是一个极为高效的轻量化网络。而2018年的ShuffleNet v2则在ShuffleNet v1版本的基础上实现了更为优越的性能,本节将详细介绍这两个Shuffle…

2020-08-25 305点热度 1人点赞 阅读全文

当物体检测应用到实际工业场景时,模型的参数量是一个十分重要的指标,较小的模型可以高效地进行分布式训练,减小模型更新开销,降低平台体积功耗存储和计算能力的限制,方便在FPGA等边缘平台上部署。 基于以上几点,Han等人提出了轻量化模型SqueezeNet,其性能与AlexNet相近,而模型参数仅有AlexNet的1/50。在本节将首先介绍SqueezeNet的模型结构,然后对该模型进行总结与分析。 SqueezeNet网络结构 随着网络结构的逐渐加深,模型的性能有了大幅度提升,但这也增加了网络参数与前向计算的时间。S…

2020-08-25 114点热度 1人点赞 阅读全文