less than 1 minute read

论文发表时间:2018-07-15
作者:Zhong-Qiu Zhao, Peng Zheng, Shou-tao Xu, Xindong Wu
论文地址:https://arxiv.org/abs/1807.05511

1 概述

可看成改版的 Image Pyramid;​分析了小尺度与预训练模型尺度之间的关系, 提出了 Scale Normalization for Image Pyramids (SNIP):在训练中,每次只回传那些大小在一个预先指定范围内的 proposal 的 gradient,而忽略掉过大或者过小的 proposal;在测试中,建立大小不同的Image Pyramid,在每张图上都运行这样一个detector,同样只保留那些大小在指定范围之内的输出结果,最终在一起NMS;这样就可以保证网络总是在同样 scale 的物体上训练,也就是标题中 Scale Normalized的意思;​

2 深度学习

2.1 发展历程

2.2 CNN

3 通用目标检测

3.1 基于区域

3.1.1 RCNN

3.1.2 SPP-Net

3.1.3 Fast RCNN

3.1.4 Faster RCNN

3.1.5 RFCN

3.1.6 FPN

3.1.7 Mask RCNN

3.1.8 Multi-task

3.1.9 回顾

3.2 基于回归

3.2.1 Pioneer Works

3.2.2 YOLO

3.2.3 SSD

3.3 实验

3.3.1 数据集

3.3.2 性能分析

4 显著物体检测

4.1 基于深度学习

4.2 实验

5 人脸检测

5.1 基于深度学习

6 行人检测

6.1 基于深度学习

6.2 实验

7 展望

8 思考


TOP

附录

A 概念

1.

B 术语

英文 中文 英文 中文
       
       

Comments