归档: 2018/4

2018
目标检测

SSD

参考： SSD原理与实现（结合实现，细节讲得很透）: https://zhuanlan.zhihu.com/p/33544892 SSD论文阅读(很棒很全面): https://blog.csdn.net/u010167269/article/details/52563573 目标检测之YOLO，SSD： http://lanbing510.info/2017/08/28/YOLO-SSD.ht

目标检测

R-CNN系列总结

1. 算法整体流程图1.1 Fast R-CNNFast R-CNN除了proposals外，各部分不再是独立训练了，因此不需要单独保存特征及中间结果了； 1.2 Faster R-CNN 2. 详细的算法流程图原文：https://zhuanlan.zhihu.com/p/35481542

目标检测

Faster R-CNN

0. 参考 从编程实现角度学习Faster R-CNN（附极简实现，超赞）：https://zhuanlan.zhihu.com/p/32404424 从结构、原理到实现，Faster R-CNN全解析(还没看)：https://zhuanlan.zhihu.com/p/32702387 https://blog.csdn.net/u011534057/article/details/51

目标检测

Fast R-CNN

0. 参考1. 论文概况1. Motivation 借鉴SPP-NET； 多任务损失函数multi-task loss； 2. 解决什么问题？ 使训练简单化，towards端到端训练； 解决SPP-NET中金字塔池化的训练问题； 3. 提出了什么方法？ ROI pooling（共享了卷积） multi-task loss 4. 效果如何？ 训练和测试更方便； 精度提升； 5.

目标检测

SPP-Net

0. 参考https://zhuanlan.zhihu.com/p/34053764 1. 论文概况1. Motivation 当前的CNNs，fc需要固定大小的输入，因此需要输入图像尺寸固定，于是crop/warp，但这样可能会产生物体截断或拉伸，会导致输入CNN的图像信息丢失，降低了识别的精度。 提速：只做一次CNN特征提取，然后将每个region proposal的卷积层特征输入到全连

目标检测

R-CNN

0. 参考1. 论文概况1. Motivation CNN的应用。 2. 解决什么问题？ 传统目标检测中，基于滑窗的区域选择策略没有针对性，时间复杂度高，窗口冗余； 传统目标检测中，手工设计的特征对于多样性的变化并没有很好的鲁棒性。 3. 提出了什么方法？ region proposal； CNN； 4. 效果如何？ R-CNN在PASCAL VOC2007上的检测结果从DPM HS

CNN

Mobilenet

参考： MobileNet V2 论文初读： https://zhuanlan.zhihu.com/p/33075914 CNN模型之MobileNet（知乎：我是小将）： https://zhuanlan.zhihu.com/p/31551004 （nice）：https://www.cnblogs.com/ansang/p/9076253.html https://yinguobing.co