正在不断完善中,抱歉!
Object detection
yolo系列
yolov3
从yolo入门目标检测
yolov3-tiny
链接: link.
POLY YOLO
论文: POLY-YOLO: HIGHER SPEED, MORE PRECISE DETECTION AND INSTANCE SEGMENTATION FOR YOLOV3@ 20200529
源码:
特点:
Poly-YOLO Lite
论文: POLY-YOLO: HIGHER SPEED, MORE PRECISE DETECTION AND INSTANCE SEGMENTATION FOR YOLOV3@ 20200529
源码:
特点:
- 具有与YOLOv3相同的精度,但体积小三倍,速度快两倍,更适用于嵌入式设备
yolov4 -darknet
链接: YOLOV4论文解读与应用.
yolov4-tiny
链接: link.
yolov5
链接: link.
faster rcnn + cascade rcnn
参考 paddledetection
参考 mmdetection
参考 detectron2
ssd系列
ssd
mssd
anchor-free系列
参考:
anchor free系列检测方法
CornerNet
ExtremeNet
Centernet
论文: Objects as Points
源码:
bubbliiiing-centernet-pytorch
bubbliiiing-centernet-keras
特点:
- 预测框框中心点,
- 通过高维特征图(128x128)得到的mask,求出roi的长宽
应用:
FCOS @20190420: 全卷积一阶段检测器
论文: FCOS: Fully Convolutional One-Stage Object Detection@20190420
源码: https://github.com/tianzhi0549/FCOS
特点:
FCOS的基础上添加了SAG-Mask来实现了实例分割
+ 在检测网络得backbone方面这里在VoVNet的基础之上进行改进(更深的网络带来更好的结果),解决了在堆叠OSA模块带来的性能饱和问题(由于反传梯度收到干扰),这是通过在OSA模块之间使用残差相连处理的(借鉴ResNet的思想)
+ 在原有的Squeeze-Excitation(SE)模块(channel attention)中使用两个FC会使得通道信息丢失,因而文章重新设计了SE模块,将其中的2个FC替换为1个FC,得到了新的SE模块eSE
+ FPN特征金字塔
+ 三分支的头检测网络
+ 浅层特征更关注一些细节信息,适合用来定位;
+ 而深层特征更关注于语义信息,适合用来分类
+ Lcls表示分类loss,本文使用的是Focal_loss;Lreg表示回归loss,本文使用的是IOU loss
+ 速度慢,精度高
参考博客:
《FCOS:Fully Convolutional One-Stage Object Detection》论文笔记
FCOS算法详解
- FSAF
- centernet :
+ FoveaBox
论文: FoveaBox: Beyound Anchor-Based Object Detection@2020–
源码:taokong-FoveaBox
run in mmdetection
(open-mmlab) air@air-System-Product-Name:~/model-train/detect-task/mmdetection$ python demo/webcam_demo.py configs/foveabox/fovea_r50_fpn_4x4_1x_coco.py checkpoints/fovea_r50_fpn_4x4_1x_coco_20200219-ee4d5303.pth
特点:
轻量级模型mssd…
instance Segmentation
maskrcnn
yolact
论文: 论文链接:https://arxiv.org/pdf/2001.01629.pdf
源码: https://github.com/dbolya/yolact#installation
参考博客:
Deep Snake
论文: 论文链接:https://arxiv.org/pdf/2001.01629.pdf
参考博客: 实时实例分割的Deep Snake:CVPR2020论文点评
CenterMask
其主要由三个部分组成:backbone+FPN、FOCS检测头、SAG-Mask分割分支
论文: CenterMask : Real-Time Anchor-Free Instance Segmentation@20200402
源码: https://github.com/youngwanLEE/CenterMask/blob/master/INSTALL.md
特点:
- 基于FCOS构建,FCOS的基础上添加了SAG-Mask来实现了实例分割
- 在检测网络得backbone方面这里在VoVNet的基础之上进行改进(更深的网络带来更好的结果),解决了在堆叠OSA模块带来的性能饱和问题(由于反传梯度收到干扰),这是通过在OSA模块之间使用残差相连处理的(借鉴ResNet的思想)
- 在原有的Squeeze-Excitation(SE)模块(channel attention)中使用两个FC会使得通道信息丢失,因而文章重新设计了SE模块,将其中的2个FC替换为1个FC,得到了新的SE模块eSE
-
参考博客:
《CenterMask:Real-Time Anchor-Free Instance Segmentation》论文笔记
SOLO/SOLOV2: 效果很好
论文: SOLO: Segmenting Objects by Locations
源码: WXinlong-SOLO: 【基于mmdetection实现】
特点:
人脸检测篇
评价指标
- 召回率(recall)
- 误检数(false positives)
- 检测速度(speed)
数据集
Retinaface
查看测试结果
人脸检测-retinaface论文解读与应用
(torchpy36) air@air-System-Product-Name:~/model-train/face/face-detection/Pytorch_Retinaface$ CUDA_VISIBLE_DEVICES=0 python train.py --network mobile0.25
- 测试 TODO
- tensorrt部署TODO
- 模型ncnn转换TODO
- ncnn部署
(torchpy36) air@air-System-Product-Name:~/model-train/face/face-detection/Face-Detector-1MB-with-landmark/Face_Detector_ncnn/build$ ./FaceDetector
- ncnn+ vulkan…TO BE UPDATE
有趣的应用
[轻松带你学会华为手机六种拍照方式](https://baijiahao.baidu.com/s?id=1600408538053976196&wfr=spider&for=pc)
人头检测任务
(人头数据好像没有人脸数据那么有用,因为人脸包含更多的信息。)
评价指标
数据集
- 天池大赛中PANDA数据中包含的人头图像数据
- SCUT_HEAD_Part_A.zip和 SCUT_HEAD_Part_B.zip: 密集头部数据
模型训练
模型部署
模型部署篇.
[1]: http://meta.math.stackexchange.com/questions/5020/mathjax-basic-tutorial-and-quick-reference
[2]: https://mermaidjs.github.io/
[3]: https://mermaidjs.github.io/
[4]: http://adrai.github.io/flowchart.js/