开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

训练图像的纵横比是否会影响Turi Create创建的目标检测模型？

训练图像的纵横比会影响Turi Create创建的目标检测模型。

Turi Create是一个用于机器学习和数据科学的开源工具包，它提供了简单易用的API来训练和部署机器学习模型。在目标检测任务中，训练图像的纵横比是一个重要的因素。

纵横比是指图像的宽度与高度之间的比例关系。当训练图像的纵横比发生变化时，目标检测模型的性能可能会受到影响。这是因为目标检测模型需要学习不同纵横比的目标形状和尺寸。

如果训练图像的纵横比与实际应用场景中的目标纵横比相似，那么目标检测模型的性能通常会更好。因此，在训练目标检测模型时，建议使用与实际应用场景中的目标纵横比相似的训练图像。

对于Turi Create创建的目标检测模型，可以通过调整训练图像的纵横比来优化模型的性能。可以尝试使用不同纵横比的训练图像进行训练，并评估模型在不同纵横比下的性能表现。根据评估结果，选择最适合实际应用场景的纵横比进行训练。

腾讯云提供了一系列与机器学习和图像处理相关的产品，可以用于支持目标检测模型的训练和部署。其中，腾讯云的图像识别服务可以用于图像的预处理和特征提取，腾讯云的机器学习平台可以用于模型的训练和优化。您可以访问腾讯云的官方网站了解更多关于这些产品的详细信息和使用指南。

腾讯云图像识别服务：https://cloud.tencent.com/product/imagerecognition 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia

相关搜索:灰度图像的预训练目标检测API模型(1通道)在tensorflow ModelMaker中，是否有可能将目标检测模型的训练偏向于分类？将布尔张量打包为字节张量是否会影响LSTM (或其他ML模型)的训练？在包含1个对象的图像上训练目标检测模型，并使用包含多个对象的图像进行测试我们是否可以用CPU代替GPU来训练用于目标检测的客户YOLO模型如何用人工智能 it之人工智能人工智能与应用人工智能完整版转人工智能行业

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

【下载】苹果发布Turi Create机器学习框架，5行代码开发图像识别

【导读】苹果公司在GitHub 上分享了一个机器学习框架TuriCreate。这一框架有可视化界面，非常简单易用，可以让开发者更容易构建机器学习模型，甚至可以用仅仅数行代码就可以开发出一个图像识别模型。此外，它还可以可将模型导出到Core ML，从而快速部署在iOS、macOS、watchOS和tvOS等平台上面。 ▌TuriCreate的开发流程 ---- TuriCreate简化了机器学习模型的开发流程。 TuriCreate Turi Create简化了机器学习模型的开发。你不必成为一个机器学习

08

Turi Create 机器学习模型实战：你也能轻松做出Prisma 风格的图片！

如果你一直有关注Apple去年所发布的消息，就会知道他们在机器学习上投入了大量心力。自他们去年在WWDC 2017上推出Core ML以来，已经有大量结合机器学习技术的应用程序涌现。

02

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

最先进的目标检测网络依赖于区域建议算法来假设目标位置。SPPnet和Faster R-CNN等技术的进步，降低了检测网络的运行时间，但是暴露了区域提案计算的瓶颈。在这项工作中，我们引入了一个与检测网络共享全图像卷积特性的区域建议网络(RPN)，从而实现了几乎免费的区域建议。RPN是一个完全卷积的网络，它同时预测每个位置的目标边界和目标得分。对RPN进行端到端训练，生成高质量的区域建议，Faster R-CNN对其进行检测。通过共享卷积特性，我们进一步将RPN和Faster R-CNN合并成一个单独的网络——使用最近流行的具有“Attention”机制的神经网络术语，RPN组件告诉统一的网络去哪里看。对于非常深的VGG-16型号，我们的检测系统在GPU上帧率为5帧(包括所有步骤)，同时在PASCAL VOC 2007、2012和MS COCO数据集上实现了最先进的目标检测精度，每张图像只有300个proposal。在ILSVRC和COCO 2015年的比赛中，Faster R-CNN和RPN是在多个赛道上获得第一名的基础。

02

最新的目标检测的深度架构 | 参数少一半、速度快3倍+

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 研究作者提出了 Matrix Net (xNet)，一种用于目标检测的新深度架构。xNets将具有不同大小尺寸和纵横比的目标映射到网络层中，其中目标在层内的大小和纵横比几乎是均匀的。 Matrix Nets 这是一个「矩阵网络」，它的参数少、效果好、训练快、显存占用低。简要介绍研究作者提出了 Matrix Net (xNet)，

02

计算机视觉最新进展概览(2021年5月30日到2021年6月5日)

现有的旋转目标检测器大多继承自水平检测范式，因为后者已经发展成为一个成熟的领域。然而，由于当前回归损失设计的局限性，尤其是对于大纵横比的目标，这些检测器难以在高精度检测中突出表现。本文从水平检测是旋转物体检测的一种特殊情况出发，从旋转与水平检测的关系出发，将旋转回归损失的设计从归纳范式转变为演绎方法。在动态联合优化过程中，估计的参数会以自适应和协同的方式相互影响，因此如何调节旋转回归损失中的耦合参数是一个关键的挑战。具体来说，我们首先将旋转的包围框转换为二维高斯分布，然后计算高斯分布之间的Kullback-Leibler Divergence (KLD)作为回归损失。通过对各参数梯度的分析，我们发现KLD(及其导数)可以根据对象的特性动态调整参数梯度。它将根据长宽比调整角度参数的重要性(梯度权重)。这种机制对于高精度检测是至关重要的，因为对于大纵横比物体，轻微的角度误差会导致严重的精度下降。更重要的是，我们证明了KLD是尺度不变的。我们进一步证明了KLD损失可以退化为流行的损失用于水平检测。

03

用于增强现实的实时可穿带目标检测：基于YOLOv8进行ONNX转换和部署

今天给大家介绍了一种在增强现实（AR）环境中使用机器学习（ML）进行实时目标检测的软件体系结构。

03

苹果公开Turi Create框架：推动机器学习

苹果公开Turi Create框架：推动机器学习。苹果公司本周在开源项目托管平台 GitHub 上分享了 Turi Create 的框架。该框架应该会让开发者更容易构建机器学习模型，苹果表示，这一框架简化了定制机器学习模型的开发，让那些不是机器学习专家的人也可以轻松使用。Turi Create 的设计意图是简单易用，具有视觉界面，灵活和快速。同时，它还可以部署在 iOS、macOS、watchOS 和 tvOS 上面。

08

目标检测：选择性搜索策略(C++ / Python)

07

YOLO新模型：助力智慧农业，一种改进的基于注意力机制和特征融合的茶叶病害检测模型

在茶树生长过程中，茶树病害对茶叶产量和品质有着重要影响。茶叶病害的形态和规模各不相同，病害靶标通常较小，茶叶病害的智能检测过程也容易受到生长区域复杂背景的干扰。此外，一些茶叶病害集中在整个茶叶区域，需要从全局信息中推断。常见的目标检测模型很难解决这些问题。

04

20年的目标检测大综述（章节2+）

今天我们继续接着上期第二章节继续说下去，但是今天内容较多，我们依然分两期把他说完。今天主要说说目标检测技术演变历程，我们一起来学习，共同进步！

02

【框架】为降低机器学习开发者门槛，苹果发布了Turi Create框架

近日，苹果在GitHub上发布了Turi Create框架。苹果表示，这个框架旨在通过简化机器学习模型的开发，降低开发者构建模型的门槛。详细说明如下： Turi Create Turi Create简化了自定义机器学习模型的开发。你不需要成为机器学习的专家，即可为你的程序添加推荐，对象检测，图像分类，图像相似度识别或活动分类。易于使用：让你聚焦于任务而不是算法可视化：内置的流式可视化功能可以探索你的数据灵活：支持文本，图像，音频，视频和传感器数据快速和可扩展性：可在单台机器上处理大型数据集易于准备

06

最新的目标检测的深度架构 | 参数少一半、速度快3倍+（文末福利）

研究作者提出了 Matrix Net (xNet)，一种用于目标检测的新深度架构。xNets将具有不同大小尺寸和纵横比的目标映射到网络层中，其中目标在层内的大小和纵横比几乎是均匀的。因此，xNets提供了一种尺寸和纵横比感知结构。

04

Apple的Core ML3简介——为iPhone构建深度学习模型（附代码）

作者 | MOHD SANAD ZAKI RIZVI 编译 | VK 来源 | Analytics Vidhya 概述 Apple的Core ML 3是一个为开发人员和程序员设计的工具，帮助程序员进入

02

基于YOLOv8的无人机图像目标检测算法

在无人机(UAV)目标检测任务中，存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题，提出改进YOLOv8s的无人机图像目标检测算法。

01

使用SlimYOLOv3框架实现实时目标检测

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？

深度学习笔记

TensorFlow TensorFlow 不仅是一个实现机器学习算法的接口，也是一种框架，也可用于线性回归、逻辑回归、随机森林等算法； TensorFlow 使用数据流图来规划计算流程，每个运算操作作为一个节点 node，节点之间的连接称为边，边中流动的数据称为张量，故而得名 TensorFlow，预算操作可以有自己的属性，但必须被预先设置，或者能在创建计算图时被推断出来； TensorFlow 有一套为节点分配设备的策略，这是一个简单的贪婪策略，不能确保找到全局最优解，但可以快速找到一个不错的节点运算分

01

SSD(Single Shot MultiBox Detector)原理详解

在这篇文章中，我将讨论用于目标检测任务的 Single Shot Multi-box Detector。该算法属于一次性分类器系列，因此它的速度很快，非常适合嵌入到实时应用程序中。SSD的关键特征之一是它能够预测不同大小的目标，并且为现在很多算法提供了基本的思路。我们从讨论算法的网络架构开始这篇文章，然后我们将深入研究数据增强、锚框和损失函数。

02

使用Mask-RCNN在实例分割应用中克服过拟合

代码：https://github.com/kayoyin/tiny-inst-segmentation

02

收藏 | 使用Mask-RCNN在实例分割应用中克服过拟合

代码：https://github.com/kayoyin/tiny-inst-segmentation

03

目标检测综述：基于至今先进深度学习的目标检测模型综述（附综述论文及代码下载）

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论文地址：https://arxiv.org/pdf/2104.11892.pdf 计算机视觉研究院专栏作者：Edison_G 目标检测是对图像或视频中的目标进行分类和定位的任务。由于其广泛的应用，近年来它已获得突出地位。 01 概述今天分享中我们调查了基于深度学习的目标检测器的最新发展。还提供了检测中使用的基准数据集和评估指标的简明概述，以及检测任务中使用的一些突出的

01

手把手教你用深度学习做物体检测(五)：YOLOv1介绍

我们提出YOLO，一种新的目标检测方法。以前的目标检测是用分类的方式来检测，而我们将目标检测定义成回归问题，从空间上分隔出边界框和相关的类别概率。这是一个简洁的神经网络，看一次全图后，就能直接从全图预测目标的边界框和类别概率。因为整个检测线是一个单一的网络，在检测效果上，可以直接做端到端的优化。我们的统一架构非常快。我们的基础YOLO模型每秒可以处理45帧图片。该网络的一个更小的版本——Fast YOLO，每秒可以处理155帧图片，其mAP依然能达到其他实时检测模型的2倍。对比最先进的检测系统，YOLO有更多的定位误差，和更少的背景误检情况(把背景预测成目标)。最终，YOLO学到检测目标的非常通用的表示。在从自然图片到其他领域，比如艺术画方面，YOLO的泛化能力胜过其他检测方法，包括DPM和R-CNN。

04

深度学习目标检测从入门到精通：第一篇

【导读】近日，CV-Tricks.com发布一篇文章，总结了近年来目标检测的各种方法。目标检测可谓是近年来计算机视觉领域热门的研究领域，也具有广阔的应用前景，如自动驾驶等。本文首先系统解释了图像分类和

07

一种基于YOLO-v8的智能城市火灾探测改进方法

城市的火灾可能会造成毁灭性的后果，造成财产损失，并危及公民的生命。传统的火灾探测方法在准确性和速度方面存在局限性，使得实时探测火灾具有挑战性。

04

Few-shot Adaptive Faster R-CNN

为了减少由域转移引起的检测性能下降，我们致力于开发一种新的少镜头自适应方法，该方法只需要少量的目标域映射和有限的边界框注释。为此，我们首先观察几个重大挑战。首先，目标域数据严重不足，使得现有的域自适应方法效率低下。其次，目标检测涉及同时定位和分类，进一步复杂化了模型的自适应过程。第三，该模型存在过度适应(类似于用少量数据样本训练时的过度拟合)和不稳定风险，可能导致目标域检测性能下降。为了解决这些挑战，我们首先引入了一个针对源和目标特性的配对机制，以缓解目标域样本不足的问题。然后，我们提出了一个双层模块，使源训练检测器适应目标域:1)基于分割池的图像级自适应模块在不同的位置上均匀提取和对齐成对的局部patch特征，具有不同的尺度和长宽比;2)实例级适配模块对成对的目标特性进行语义对齐，避免类间混淆。同时，采用源模型特征正则化(SMFR)方法，稳定了两个模块的自适应过程。结合这些贡献，提出了一种新型的少拍自适应Fast R-CNN框架，称为FAFRCNN。对多个数据集的实验表明，我们的模型在感兴趣的少镜头域适应(FDA)和非超视域适应(UDA)设置下均获得了最新的性能。

04

目标检测算法之SSD

昨天介绍了特征金字塔网络用于目标检测，提升了多尺度目标检测的鲁棒性，今天开始讲讲One-Stage目标检测算法中SSD算法。这个算法是我平时做工程中最常用到的，严格来说平时最常用的是Mobilenet做Backbone的SSD算法，因为要考虑到实际部署的时候的速度要求，不过原理都一样。

03

【学术】无人零售背后的秘密：使用Tensorflow目标检测API实现更智能的零售结账

我一直在使用Tensorflow目标检测API，并对这些模型的强大程度感到惊讶。我想要分享一些API实际使用案例的性能。 Tensorflow目标检测API地址： https://github.com/tensorflow/models/tree/master/research/object_detection 第一个使用案例是更智能的零售结账体验。Amazon Go商店宣布后，这是一个热门领域。为商店设计智能货架，追踪顾客从货架挑选的东西。我通过构建两个目标检测模型来做到这一点 — 一个的追踪手，用来追

09

一种改进的MobileNet- SSD算法用于车身漆面缺陷自动检测

论文地址：https://link.springer.com/content/pdf/10.1007/s11042-020-09152-6.pdf

03

Focal Loss for Dense Object Detection(文献阅读)

动机尽管两阶段检测器取得了成功，那么问题就是:一个简单的单阶段能达到类似的精度吗?单阶段应用于目标位置、尺度和纵横比的常规、密集采样。最近在YOLO和SSD等单阶段上的研究显示出了很有前景的结果，与

02

基于PaddlePaddle实现的目标检测模型SSD

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO V1又有明显的mAP优势。本开源是基于PaddlePaddle实现的SSD，参考了PaddlePaddle下的models的ssd ，包括MobileNetSSD，MobileNetV2SSD，VGGSSD，ResNetSSD。使用的是VOC格式数据集，同时提供了预训练模型和VOC数据的预测模型。

01

手把手教你用深度学习做物体检测(七)：YOLOv3介绍

yolo3会利用第82、94、106层的特征图来进行不同尺寸的目标检测。 82层的图像小（分辨率低），感受野大，可以到检测图像中较大的目标； 94层的图像中等，感受野中等，可以检测到图像中不大也不小的目标； 106层的图像大（分辨率高），但感受野相对最小，可以检测到图像中较小的目标。所以如果训练过程中，发现某层的输出值是非数，这只是说明在这层没有检测到目标对象，只要三层中至少有一层能输出正常的数字，就是正常的。从图上也可以看到，为了能同时学到浅层和深层的特征，上面的82、94层特征图自身经过上采样后还会和早期层的特征图做一些拼接(concat)操作。用论文原话说就是：这样的方法让我们从上采样特征中得到更多有意义的语义信息；从更早期的特征中得到纹理信息(finer-grained information)。

02

基于PaddlePaddle实现的目标检测模型SSD

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO V1又有明显的mAP优势。本开源是基于PaddlePaddle实现的SSD，参考了PaddlePaddle下的models的ssd ，包括MobileNetSSD，MobileNetV2SSD，VGGSSD，ResNetSSD。使用的是VOC格式数据集，同时提供了预训练模型和VOC数据的预测模型。

01

单视角下AI也可以计量长高距离

大多数3D重建方法可能仅恢复高达全局尺度模糊度的场景属性。我们提出了一种新的单视图度量方法，该方法可以仅使用在无约束条件下获取的单眼图像来恢复由物体的3D高度或地面以上的相机高度以及相机的方向和视野参数表示的场景的绝对比例。

02

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection

任意方向的目标广泛出现在自然场景、航拍照片、遥感图像等，任意方向的目标检测受到了广泛的关注。目前许多旋转检测器使用大量不同方向的锚点来实现与ground truth框的空间对齐。然后应用交叉-联合(IoU)方法对正面和负面的候选样本进行训练。但是我们观察到，选择的正锚点回归后并不能总是保证准确的检测，而一些阴性样本可以实现准确的定位。这说明通过IoU对锚的质量进行评估是不恰当的，进而导致分类置信度与定位精度不一致。本文提出了一种动态锚学习(DAL)方法，利用新定义的匹配度综合评价锚的定位潜力，进行更有效的标签分配过程。这样，检测器可以动态选择高质量的锚点，实现对目标的准确检测，缓解分类与回归的分歧。在新引入的DAL中，我们只需要少量的水平锚点就可以实现对任意方向目标的优越检测性能。在三个遥感数据集HRSC2016、DOTA、UCAS-AOD以及一个场景文本数据集ICDAR 2015上的实验结果表明，与基线模型相比，我们的方法取得了实质性的改进。此外，我们的方法对于使用水平边界盒的目标检测也是通用的。

01

苹果又发布一个机器学习框架，帮自家生态里的开发者降低AI门槛

李林编译整理量子位出品 | 公众号 QbitAI 苹果又在GitHub上发布了一个新的机器学习框架。这次的新框架名叫Turi Create，针对不那么精通机器学习的开发者，“简化了第三方机器学

改进YOLOv5的合成孔径雷达图像舰船目标检测方法

针对合成孔径雷达图像目标检测易受噪声和背景干扰影响, 以及多尺度条件下检测性能下降的问题, 在兼顾网络规模和检测精度的基础上, 提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制, 在确保轻量化的同时抑制了噪声与干扰, 以提高网络的特征提取能力; 融入加权双向特征金字塔结构以实现多尺度特征融合, 设计了一种新的预测框损失函数以改善检测精度, 同时加快算法收敛, 从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明, 所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%, 相比于YOLOv5s提高1.9%, 训练时收敛速度更快, 且保持了网络轻量化的特点, 在实际应用中具有良好前景。

01

YOLO v1

Joseph Redmon和Ali Farhadi在2015年提出了YOLO目标检测深度网络，并在2017年和2018年进行了改进，这三个工作都发表在了当年的CVPR上。Joseph Redmon是华盛顿大学的博士，主要研究就方向为计算机视觉，这是Joseph Redmon的个人主页，Ali Farhadi是华盛顿大学的副教授，也是Joseph Redmon的导师，这是AIi Farhadi的个人主页。

02

苹果又发布一个机器学习框架，帮自家生态里的开发者降低AI门槛

本文介绍了一个名为Turi Create的新机器学习框架，该框架由苹果开发，旨在简化第三方机器学习模型的开发。Turi Create可以用于构建用于推荐、对象检测、图像分类、图像相似性和活动分类的机器学习模型。它具有易用性、可视化和灵活性等优点，并且可以快速扩展和部署。此外，文章还提到了Turi Create背后的基础技术，以及苹果去年收购Turi的相关信息。

06

技术分享 | 遥感影像中的旋转目标检测系列(一)

与自然影像数据集不同，遥感影像中的目标通常以任意角度出现，如图 1所示。自然影像常用的水平框目标检测方法，在遥感影像上的效果通常不够理想。一方面，细长类目的待检测目标（比如船舶、卡车等），使得水平框检测的后处理很困难（因为相邻目标的水平框的重合度很高）。另一方面，因为目标的角度多变，水平框不可避免引入过多的背景信息。针对这些问题，遥感目标检测更倾向于检测目标的最小外接矩形框，即旋转目标检测。旋转目标检测最近因其在不同场景中的重要应用而受到越来越多的关注，包括航空图像、场景文本和人脸等。特别是在航空图像中，已经提出了许多设计良好的旋转目标检测器，并在大型数据集上（比如 DOTA-V1.0）获得了较好的结果. 与自然图像相比，航拍图像中的物体通常呈现密集分布、大纵横比和任意方向。这些特点使得现有的旋转对象检测器变得复杂。我们的工作重点是简化旋转对象检测，消除对复杂手工组件的需求，包括但不限于基于规则的训练目标分配、旋转 RoI 生成、旋转非最大值抑制 (NMS) 和旋转 RoI 特征提取器。

01

OpenCV 4.0+Python机器学习与计算机视觉实战

OpenCV是一款广泛应用于计算机视觉和图像处理领域的开源库。本文将引导读者通过Python使用OpenCV 4.0以上版本，实现一系列机器学习与计算机视觉的应用，包括图像处理、特征提取、目标检测、机器学习等内容。最终，我们将通过一个实战项目构建一个简单的人脸识别系统。

03

如何通过深度学习轻松实现自动化监控？

【导读】这是一篇关于使用基于深度学习的目标检测来实现监控系统的快速教程。在教程中通过使用 GPU 多处理器来比较不同目标检测模型在行人检测上的性能。

06

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

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：

02

深度学习目标检测指南：如何过滤不感兴趣的分类及添加新分类？

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

03

深度 | 用于图像分割的卷积神经网络：从R-CNN到Mark R-CNN

选自Athelas 作者：Dhruv Parthasarathy 机器之心编译参与：王宇欣、hustcxy、黄小天卷积神经网络（CNN）的作用远不止分类那么简单！在本文中，我们将看到卷积神经网络（CNN）如何在图像实例分割任务中提升其结果。自从 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年赢得了 ImageNet 的冠军，卷积神经网络就成为了分割图像的黄金准则。事实上，从那时起，卷积神经网络不断获得完善，并已在 ImageNet 挑战上超

06

教程 | 用深度学习DIY自动化监控系统

监控是安保和巡查一个不可或缺的组成部分。在大多数情况下，这项工作需要长时间去查找一些你不期望发生的事。我们做的这件事很重要，但也是一项非常乏味的任务。

01

Feature Pyramid Networks for Object Detection

特征金字塔是不同尺度目标识别系统的基本组成部分。但最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们需要大量的计算和内存。本文利用深卷积网络固有的多尺度金字塔结构构造了具有边际额外成本的特征金字塔。提出了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。该体系结构称为特征金字塔网络(FPN)，作为一种通用的特征提取器，它在几个应用程序中得到了显著的改进。在一个基本的Fasater R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没有任何附加条件，超过了所有现有的单模型条目，包括来自COCO 2016挑战赛冠军的条目。此外，我们的方法可以在GPU上以每秒6帧的速度运行，因此是一种实用而准确的多尺度目标检测解决方案。

02

Region Proposal Network (RPN) 架构详解

如果您正在阅读这篇文章[1]，那么我假设您一定听说过用于目标检测的 RCNN 系列，如果是的话，那么您一定遇到过 RPN，即区域提议网络。如果您不了解 RCNN 系列，那么我强烈建议您在深入研究 RPN 之前单击此处阅读这篇文章。

03

计算机视觉之SSD目标检测

SSD是一种单阶段目标检测算法，通过卷积神经网络进行特征提取，并在不同的特征层进行检测输出，实现多尺度检测。它采用了anchor的策略，预设不同长宽比例的anchor，并在每个输出特征层上预测多个检测框。SSD框架包括了多尺度检测方法，浅层用于检测小目标，深层用于检测大目标。

01

Q-YOLOP来啦 | 一个具有量化感知全景驾驶感知模型

全景感知系统是自动驾驶汽车的关键部件，使其能够全面感知和理解环境。这些系统同时解决了多个视觉任务，包括物体检测、车道线分割、可驾驶区域分割，并对道路场景产生了丰富的理解。

04

首场ACRV机器人视觉挑战，全卷积神经网络实现交互式医学图像分割 | AI一周学术

呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！

04

LCCL网络：相互指导博弈来提升目标检测精度（附源代码）

论文地址：https://openaccess.thecvf.com/content/ACCV2020/papers/Zhang_Localize_to_Classify_and_Classify_to_Localize_Mutual_Guidance_in_ACCV_2020_paper.pdf

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭