小心!天眼无处不在,教你图像检测的攻与防

Python客栈

共 1649字,需浏览 4分钟

 ·

2022-01-15 18:26



目标检测是计算机视觉中的经典问题之一,而图神经网络是目前较热的研究方向,两者是否有一些结合的思考呢?下面给大家介绍6篇有价值的目标检测论文,希望对大家的研究和工作有所帮助~

凭借大量可用数据、更快的 GPU 和更好的算法,现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。

本文就为大家推荐其中 6 篇有价值的目标检测论文。

目标检测论文推荐
2021

01



推荐理由:文章回顾了400多篇关于目标检测的论文,涵盖目标检测近20年的发展。


本文涵盖了许多主题,包括历史上的里程碑检测器、检测数据集、度量、检测系统的基本构建模块、加速技术和最新的技术检测方法。


02




推荐理由:这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。


03




推荐理由:这篇论文为第一篇基于深度学习的无监督跨域目标检测论文,该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。


04




推荐理由:这篇论文针对[01]存在过度适配图像特征的问题,提出了一种弱图像级特征对齐范式,同时在底层特征上做强对齐,整体称作强-弱特征对齐。


05




推荐理由:这篇论文主要动机是无监督跨域目标检测是一种局部特征对齐,而非传统的全局特征对齐。基于此,他们利用Faster R-CNN的proposals来对源域和目标域实例级特征作选择性对齐。


06




推荐理由:这篇文章提出了一种多层对抗网络用于适配双阶段检测器,所提出的网络主要包含两部分,分层域特征对齐和聚合的proposal特征对齐。


↓ 前方福利 ↓
原价399元,现在0.1元领取



多项国家发明专利导师带你学    效率提升3倍的Paper阅读方法

深度之眼张导师、付导师及徐导师结合自己工作及学习经验,并配合深度之眼教研团的打磨,总结出一条目标检测的高效学习路径:

2场直播+录播  夯实对话YOLOv3


Step1:系统了解 目标检测 技术演化路径及发展历史



Step2:精讲目标检测基石论文 — YOLOv3


《YOLOv3 : An Incremental Improvement 》是目标检测领域最具代表性的方法之一,提出经典的Darknet 网络结构与 box 回归完美结合,在人脸检测、行人检测、物体检测等领域有大规模的落地应用。


深度之眼付导师 将从 研究背景 到 算法模型,带你啃透YOLOv3!


① 深挖研究背景 


提纲挚领,从4大维度介绍论文,深入讲解论文发表的研究背景、成果及意义,介绍论文中取得的核心成果,对比解决同一问题,已有解决方法和论文中提出的新的解决方法的优缺点,熟悉论文的整体思路和框架,建立对本篇论文的一个概貌性认识。



② 死磕算法模型


老师会重点讲解论文中的模型原理,深入拆解模型结构,对关键公式逐步推导,让你了解算法每一个因子是如何对结果产生影响的,掌握实验手段及结果,老师会帮你拎出论文中的关键点、创新点和启发点,节约你自己摸索的时间。



高手伴学 共同提升


  • 3天高质量社群服务,导师全程陪伴

  • 2场直播+录播,吃透 YOLOv3 

  • 100+学员同群交流,学习经验up up⬆⬆⬆

  • 助教24小时答疑,再也不怕debug

  • 专属班主任私信督学,治疗学习拖延症


完课即赠价值298元学习大礼包


为了激励大家完成学习,我们还准备了价值298元的算法工程师面试锦囊。只要完成全部课程的学习,你就能私信班主任获取!



学员好评,真香!



这一次,我给粉丝们申请了50个直播福利名额参加即赠秘籍:《效率提升3倍的Paper阅读方法》。


↓ 前方福利 ↓
原价399元,现在0.1元领取


浏览 14
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报