年轻人起来冲

RetinaNet：Focal Loss for Dense Object Detection

发表于 2022-09-06 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 3.6k 阅读时长 ≈ 3 分钟

基于 FPN 的多 head 检测器，最大的创新是提出 focal loss 动态平衡目标检测中正样本少数，负样本大多数的情况

发表于 2022-09-06 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 3.9k 阅读时长 ≈ 4 分钟

利用 CNN 进行目标检测的首个神经网络，首先利用选择性搜索提取图片的 2000 个左右的 Region Proposal，然后通过 AlexNet 提取得到固定长度的特征，接着使用支持向量机 (SVM) 分析这些特征，以实现获选区域的分类，使用边界框回归分析这些特征，获取获选框更精细位置

发表于 2022-09-04 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 4.3k 阅读时长 ≈ 4 分钟

一种 two-stage 的目标检测算法，基 Fast RCNN，主要改进是：使 Region Proposal Networks (RPN) 替选择性搜索 (Selective Search,SS) 生成获选框，实现了端到端训练

发表于 2022-08-31 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 3.2k 阅读时长 ≈ 3 分钟

一种 two-stage 的目标检测算法，设计感兴趣区域池化 (RoIPooling)，并去掉 SVM 训练的获选框分类器；最终，在选择性搜索 (SelectiveSearch,SS) 之后，神经网络可以进行端到端训练

发表于 2022-08-31 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 817 阅读时长 ≈ 1 分钟

FastFCN 在原有 FCN 的基础上，提出联合金字塔上采样 (joint Pyramid upsampling, JPU)，相比较原始的双线性插值、反卷积上采样，该模块明显更有效

发表于 2022-08-28 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 2.8k 阅读时长 ≈ 3 分钟

一种特征融合网络，能有效融合底层的特征和高层的语义信息，常用于目标检测。解决目标检测小尺寸物体检测问题

发表于 2022-08-26 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1.7k 阅读时长 ≈ 2 分钟

通过预测目标中心到四边的距离实现对目标的检测

发表于 2022-08-25 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1k 阅读时长 ≈ 1 分钟

提出了一个带权重的双向特征金字塔网络（BiFPN），它可以支持简单快速的多尺度特征融合

发表于 2022-08-22 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1.3k 阅读时长 ≈ 1 分钟

在 SSD 基础上增 DSSD 的反卷积模块和 DSSD 的预测模块

发表于 2022-08-21 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 2.7k 阅读时长 ≈ 2 分钟

通过预测图片目标的左上角（top-left corner）点、右下角 (bottom-right corner) 点坐标实现对物体的检测