菜鸟中的菜中菜-CSDN博客

原创 CVPR21RefineMask: Towards High-Quality Instance Segmentation with Fine-Grained Features

目录IntroductionMethodSemantic HeadMask Head多阶段的细化过程SFM语义融合模块Boundary-Aware Refinement面向具有细粒度特征的高质量实例分割Introduction由于特征金字塔和池化过程中的降采样操作，分割后的掩模仍然非常粗糙，特别是对于大型对象。提出了一种新的方法，用于高质量的对象和场景的实例分割，该方法在多阶段的实例分割过程中包含了细粒度的特征。通过逐步融合更详细的信息，精炼面具能够持续地细化高质量的面具。问题：MaskR-CNN丢

2022-05-27 19:03:54 798

原创 CVPR21Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation

目录AbstractIntroductionMethod边界patch提取BPR 网络组装实验学习记录，侵删参考参考Abstract由于特征映射的空间分辨率较低和边界像素的比例极低所导致的不平衡问题，预测的实例掩模的边界通常不精确。白话就是mask分辨率低，上采样之后实例的边界会变差，况且边界像素本来就少。提出一个后处理细化框架BPR (Boundary Patch Refinement).。方法：沿着预测的实例边界提取和细化了一系列小的边界块（patch），通过一个更高分辨率的边界补丁细化网络来完

2022-05-26 16:12:30 532

原创 MMdetection记录

MMdetection官方文档：https://mmdetection.readthedocs.io/zh_CN/latest/article.html官方有原文https://zhuanlan.zhihu.com/p/337375549我只提取我在意的模块详解一个batch进来之后到backbone，例如ResNet输出的单尺度或者多尺度特征图然后到neck进行特征融合或增强，例如FPN上述多尺度特征最终输入到 head 部分，一般都会包括分类和回归分支输出在整个网络构建阶段都可以引入

2022-04-10 20:13:28 4249

原创蓝桥杯JAVA答题常用方法、API整理

目录读写BigIntegerString数据类型相互转化forMath日历时间排序sort二叉树计数题进制转化读写Scanner in = new Scanner(System.in);in.next();in.nextInt();//根据数据类型选择nextXXX,float,doublein.nextLine();System.out.println("");System.out.print("");System.out.printf("%4.2f", i);// "4.2"中4表示输

2022-04-08 20:32:13 2384 1

原创 NeurIPS2019 BBTP-Weakly Supervised Instance Segmentation using the Bounding Box Tightness Prior

https://proceedings.neurips.cc/paper/2019/file/e6e713296627dff6475085cc6a224464-Paper.pdfhttps://blog.csdn.net/qq_38929105/article/details/119852781本文通过将问题表述为多实例学习(MIL)任务来解决困难，通过框的扫描线生成正负的bags。提出的深度模型将MIL集成到一个完全监督的实例分割网络中，结果由unary term和pairwise term生成，前者

2022-03-26 23:13:16 3535

原创 ECCV2020 CondInst

CondInst作者思考实例分割和语义分割的区别，一个map只能拿一个实例，语义分割是出一个map拿所有实例，实例分割的核心，怎么让网络focus到某一个instance，然后只把这个instance的mask拿出来。思路分别拿一个mask head 去得到一个实例的mask。mask head是在检测器后，检测到多少个instance就跟多少个head，是动态的结构使用FPN+FCOS，每个点生成一个框，框后面加个controller，生成一组滤波器，滤波器被用来填充mask head，m

2022-03-25 16:48:49 362

原创 CVPR2022 A ConvNet for the 2020s

A ConvNet for the 2020shttps://arxiv.org/abs/2201.03545https://github.com/facebookresearch/ConvNeXt讲解https://mp.weixin.qq.com/s/q-s_dV4-TCiVPMOTZKEgPQhttps://www.bilibili.com/video/BV1SS4y157fuhttps://www.bilibili.com/video/BV1iP4y1M7nk以SwinTransfor

2022-03-07 23:01:43 2994

原创 ICCV19 YOLACT

快速、高质量mask，并未通过pooling损失之类高泛化，可以换任务目标检测

2022-03-07 20:30:52 258

原创 BlendMask CVPR20

目录IntroductionRelatedMethodpipelineBottom ModuleTop layerBlender module具体设置概述：受到自上而下实例分割方法和自下而上方法的启发，先通过FCOS提取细节特征，然后结合FCIS和YOLACT提出Blender模块融合特征。Introduction对最有可能的感兴趣区域(RoIs)进行密集的预测。分别介绍自上而下和自下而上的局限性。作者将这种方法结合，具体是利用裁剪手段（FCIS）或加权和（YOLACT）将其与逐像素点的预测结合起来

2022-03-03 17:44:12 335

原创 FCOS CVPR2019

FCOS参考1 参考2 参考3Introduction：以逐像素预测的方式解决目标检测问题，类似于语义分割。检测器实现了proposal free和anchor free，显著的减少了设计参数的数目。设计参数通常需要启发式调整，并且设计许多技巧。另外，通过消除锚框，新探测器完全避免了复杂的IOU计算以及训练期间锚框和真实边框之间的匹配，并将总训练内存占用空间减少了2倍左右。FCOS可以作为二阶检测器的区域建议网络(RPN)，其性能明显优于基于锚点的RPN算法。FCOS可以经过最小的修改便可扩展

2022-03-01 16:33:39 2663

原创 CVPR2021 BoxInst High-Performance Instance Segmentation with Box Annotations

BoxInst: High-Performance Instance Segmentation with Box Annotations创新点本文核心思想重新设计实例分割中的 mask 学习损失函数，无需修改分割网络本身。新的损失函数无需 mask 标注，就可监督 mask 的训练。主要是在CondInst的基础上提出了两种损失：1) 一个最小化 ground-truth 边框映射和预测 mask 差异的替代项；2) 一对损失使得颜色相近的相邻像素点类别相同效果：在 COCO test-dev sp

2022-02-23 21:34:31 1333

原创 CenterMask CVPR2020 Real-Time Anchor-Free Instance Segmentation

CenterMask CVPR2020参考1参考2高效率、高mAP的实例分割模型创新：添加空间注意引导掩模(SAG-Mask)分支到anchor-free目标检测器(FCOS），SAG-Mask分支在每个检测到的盒子上预测一个分割掩码，这有助于关注信息像素和抑制噪声新的backbone：VoVNetV2，有残差连接，使用eSE处理通道信息丢失问题。设计了CenterMask and CenterMask-Lite，分别针对大、小模型。结构1.backbone+FPN提取特征2.FC

2021-11-21 17:32:32 2514

原创 Mask-RCNN ICCV2017

Mask-RCNN ICCV2017参考1参考2计算过程解读创新点Mask R-CNN是在Faster R-CNN的基础上添加了一个预测分割mask的分支。将RoI Pooling 层替换成了RoIAlign层；添加了并列的FCN层（mask层），输出每个ROI的mask。使用ResNeXt-101+FPN用作特征提取网络，基础网络增强采用 ROIAlign 替代 RoiPooling（改进池化操作）。引入了一个插值过程，先通过双线性插值到14 * 14，再 pooling到 7 * 7。

2021-11-21 17:31:35 3053

原创实例分割论文调研

目录综述CVPR18Non-local Neural NetworksPath Aggregation Network for Instance SegmentationCVPR19Mask Scoring R-CNNHybrid Task Cascade for Instance SegmentationPose2Seg: Detection Free Human Instance SegmentationS4Net: Single Stage Salient-Instance SegmentationW

2021-11-20 12:05:28 972

原创 FPN特征金字塔学习记录

FPN for Object Detection参考图像金字塔，通常用高斯金字塔图像中存在不同尺寸的目标，而不同的目标具有不同的特征，利用浅层的特征就可以将简单的目标的区分开来；利用深层的特征可以将复杂的目标区分开来。在第1层（请看绿色标注）输出较大目标的实例分割结果，在第2层输出次大目标的实例检测结果，在第3层输出较小目标的实例分割结果在这个图中，特征图用蓝色的轮廓表示，较粗的轮廓表示语义上更强的特征。(a)使用图像金字塔来构建特征金字塔。在图像金字塔的每一层提出不同的特征，然后进行相应

2021-11-17 21:56:43 785

原创深度学习5之目标检测、人脸识别（简洁）

2021-11-16 22:36:14 3112

原创 Focal loss学习记录

Focal Loss for Dense Object Detection对于one stage方法来说，detection部分要直接处理大量的候选位置，其中负样本要占据绝大部分，SSD的策略是采用hard mining，从大量的负样本中选出loss最大的topk的负样本以保证正负样本比例为1:3.onestage 不好的原因在于：正负样本比例极度不平衡，负样本绝大部分都是简单样本，构成了大部分的损失，并主导了梯度。什么是“类别不平衡”：一幅正常的图像中需要检测的object不会很多，顶多就那么几

2021-11-13 18:11:41 2506

原创深度学习4之卷积神经网络

第四课Week 1paddingn x n 的图像，经过fxf卷积后，得到 (n−f+1)∗(n−f+1)( n − f + 1 ) ∗ ( n − f + 1 )(n−f+1)∗(n−f+1)卷积会丢失边缘信息，因此pad原图像，输出变成 (n+2p−f+1)∗(n+2p−f+1)( n +2p − f + 1 ) ∗ ( n +2p − f + 1 )(n+2p−f+1)∗(n+2p−f+1)。至于选择填充多少像素，通常有两个选择，分别叫做Valid卷积和Same卷积。Valid卷积：不填充

2021-11-09 19:52:21 1465

原创深度学习笔记3之机器学习策略

第三课week1单一数字评估指标评估你的分类器的一个合理方式是观察它的查准率（precision）和查全率（recall）。如果分类器 A 有95%的查准率，这意味着你的分类器说这图有猫的时候，有95%的机会真的是猫。查全率就是，对于所有真猫的图片，你的分类器正确识别出了多少百分比训练开发测试集如何设立开发集和测试集，开发（dev）集也叫做开发集（development set），有时称为保留交叉验证集（hold out cross validation set）。然后，机器学习中的工作流

2021-11-09 17:32:25 228

原创深度学习笔记2之改善神经网络（调参、优化）

第二课week1偏差和方差机器学习关键：数据集，选择网络，正则化。来解决偏差和方差正则化λ\lambdaλ 是正则化参数，L2正则化是使用了欧几里德范数（2范数）的平方，L1是加了L1范数，w会是稀疏的，会有很多0，却没有降低太多内存，人们更倾向L2为什么L2正则化可以减少过拟合：如果正则化参数变得很大，参数 w 很小， z 也会相对变小，此时忽略 b 的影响， z 会相对变小，z 的取值范围很小，这个激活函数，也就是曲线函数tanh 会相对呈线性，整个神经网络会计算离线性函数

2021-11-04 19:31:40 658

原创 Non-local Neural Networks非局部操作笔记

原文翻译文章解读【CV中的Attention机制】Non-Local Network的理解与实现通用公式：yi=1C(x)∑∀jf(xi,xj)g(xj),.y_i = \frac{1}{C(x)}\sum_{\forall j}f(x_i,x_j)g(x_j),.yi=C(x)1∀j∑f(xi,xj)g(xj),.x是输入信号，cv中使用的一般是feature mapi 代表的是输出位置，如空间、时间或者时空的索引，他的响应应该对j进行枚举然后计算得到的f 函数式计算i和j的相

2021-10-20 11:34:43 974

原创 Videos as Space-Time Region GraphsGCN在视频识别的应用

Videos as Space-Time Region Graphs参考主要创新点是利用图卷积网络来处理视频问题。本文通过物体检测算法来获取graph中的节点，再计算节点之间的关联性，进而构建整个graph。graph中的node是指视频的不同帧所检测到的物体proposals，这些node以两种关系进行连接：（1）是否具有一定的相似性（2）在时间和空间位置上是否相关。...

2021-10-19 16:47:46 617

原创目标检测-loss、评价指标

目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU LossSmooth L1 Loss，Fast RCNN论文提出该方法目标检测中的评价指标参考1 参考2 参考3True Positive (TP)：将正样本预测为正（真正）True Negative (TN)：将负样本预测为负（真负）False Positive (FP)：将负样本预测为正（假正）→ 误报 (Type I error)False Negative (FN)：将正样本预测为负（假负）→ 漏报 (T

2021-10-16 12:40:41 2240 2

原创深度学习笔记1之认识神经网络

第一课week1什么是神经网络输入X，就可得到Y，无需知道过程，中间过程由神经网络自己负责。week2二元分类 (Binary Classification)逻辑回归是一个用于二分类(binary classification)的算法X矩阵中列向量是特征向量，是图片所有像素变成一列。X一共是nxm结果Y是一行，1xmX 是一个n维的向量（相当于有 n 个特征的特征向量）。我们用来 w 表示逻辑回归的参数，这也是一个 n 维向量（因为 w 实际上是特征权重，维度与特征向量相同），参

2021-10-13 23:11:44 147

原创 Mask Scoring R-CNN CVPR19

Panoptic FPN是一个简单的单一网络同时实现实例分割和语义分割并希望取得顶级的效果，两个任务一齐称为全景分割。

2021-10-08 16:54:25 409

原创 detectron2 学习笔记

一、安装安装pytorch和对应CUDA安装detectron2git clone https://github.com/facebookresearch/detectron2.gitpython -m pip install -e detectron2如果更换pytorch版本，需要删除`rm -rf build/ **/*.so`再重新构建具体安装相关问题点击这里二、项目详细介绍链接三、遇到的问题运行demoTypeError: forward() takes 2 posit

2021-09-23 22:09:49 1584

原创 Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers笔记

分割高度重叠的物体具有挑战，不同于以往的two-stage，讲图像建模成两个重叠层的组合，提出了BCNet。顶部GCN层检测遮挡对象，底部GCN层推断部分遮挡实例。在one-stage 和two-stage 目标检测中使用不同的backbone和网络层上验证了双层解耦的有效性。我们注意到，大多数增量改进来自于更好的backbone主干架构设计，很少关注从目标检测中获得ROI(感兴趣区域)特征后的实例掩码回归。两个图像层的重叠部分表示遮挡体的不可见区域，这是由我们的遮挡感知BCNet框架明确建模的

2021-09-14 22:25:27 1013 3

原创目标检测综述学习笔记

一、目标检测两个分支，two-stage和one-stage算法two-stage算法主要是RCNN系列，，包括RCNN, Fast-RCNN，Faster-RCNN，其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上，又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN（Feature Pyramid Networks）backbone，以及FCN里的se

2021-09-11 19:26:41 799

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

菜鸟中的菜中菜的博客