【论文笔记】Scalable Object Detection using Deep Neural Networks

最新推荐文章于 2023-11-15 20:16:13 发布
原创 最新推荐文章于 2023-11-15 20:16:13 发布 · 9.4k 阅读 · 13
本文提出了使用深度神经网络（DNN）解决物体检测问题的新方法，通过回归模型定位bounding box并用分类器识别，有效降低了计算复杂度，适用于大规模数据集。相较于传统方法，该方法在检测时间和类别数目上表现出更好的线性关系，并且能够扩展到未知类别。实验在VOC 2007和ILSVRC 2012上验证了其性能。

Paper:  Erhan, D., Szegedy, C., Toshev, A., & Anguelov, D. (2014).  Scalable Object Detection using Deep Neural Networks . CVPR.

Goal

    将基于DNN 的物体检测方法扩展到大规模数据集上。

Contribution

  • 将物体检测问题定义为输出为多个bounding box 的回归问题。每个bounding box 同时输出坐标和置信度，使得模型更加紧凑和高效。
  • 利用DNN 同时学习数据的表示和bounding box 检测器。
  • 在无类别监督的条件下训练box 检测器，使得该方法的计算复杂度几乎不受物体类别的影响，因此适合于大规模物体检测问题。该方法还可以推广到未知的类别。

DPM 的问题：

  • Sliding windows 需要在多个尺度上进行穷尽搜索，时间代价高。Branch-and-bound [1]策略避免了这个问题。
  • 检测时间和类别数目成线性关系，不利于大规模检测问题。使用低维共享的基[2] 和哈希方法
标签
#computer vision #machine learning #Object Recognition
最低0.47元/天 解锁文章
SSD之前的准备:Scalable Object Detection using Deep Neural Networks
xbcReal的博客
07-28 1628
在阅读SSD的论文的时候，看到在论文中提及过好几次的MultiBox算法，为了便于对SSD能够有一个更好的理解，便决定先阅读MultiBox算法的论文，也就是这篇博客要介绍的论文:Scalable Object Detection using Deep Neural Networks。MultiBox算法的全称叫做DeepMultiBox，是一种用来生成候选区域的方法，这里的候选区域类似于在R-CN
automl-超参数优化（HPO）-综述
xys430381_1的专栏
03-14 1万+
超参数优化方法分类： 超参数优化方法分类 超参数优化的难题 当面对大模型、大数据集、复杂的机器学习时，功能函数的评估非常昂贵 配置空间非常复杂且是高维的 我们通常不能得到关于超参数的损失函数的梯度。此外，在经典优化中经常使用的目标函数的其他特性通常不适用，如凸性和平滑性。 ...
Scalable Object Detection using Deep Neural Networks
weixin_36670529的博客
09-16 655
一、摘要 深度卷积神经网络最近在一系列图像识别基准测试中取得了最先进的性能，包括ImageNet大规模视觉识别挑战(ILSVRC-2012)。在定位子任务中获胜的模型是一个网络，它预测一个边界框和图像中每个目标类别的置信度得分。这样的模型捕获目标周围的整个图像上下文，但是如果不天真地复制每个实例的输出数量，就不能处理图像中相同目标的多个实例。在这项工作中，我们提出了一个显著性激发的神经网络模型用...
deep learning SSD: Single Shot MultiBox Detector
10-14
深度学习新技术 ssd
目标检测--Scalable Object Detection using Deep Neural Networks(CVPR 2014)
weixin_30834019的博客
11-23 269
Scalable Object Detection using Deep Neural Networks 作者:Dumitru Erhan, Christian Szegedy, Alexander Toshev, and Dragomir Anguelov 引用:Erhan, Dumitru, et al. "Scalable object detection using deep ne...
论文提要“Scalable Object Detection using Deep Neural Networks”
cv_family_z的博客
06-11 4017
论文提要“Scalable Object Detection using Deep Neural Networks”与之前主流检测方法DPM不同，论文提出了一种名为“DeepMultiBox”的方法产生比较少量的目标候选框，这些候选框是使用DNN（Deep Neural Network）生成的与目标类别无关的区域。 1.主要贡献： 1）将目标检测定义为几个bounding bo
Scalable Object Detection using Deep Neural Networks 阅读笔记
weixin_43164512的博客
10-10 275
Scalable Object Detection using Deep Neural Networks 基于深度神经网络的可伸缩目标检测 14年的文章 是一个用于检测的显著性启发式神经网络模型， 分为 “定位”+“识别”两步 解决 将深度网络应用到多object，并且object未知的情况 穷举候选区导致计算量过大 过程 在图像上生成候选区域 本文重点 检测算法DeepMultiBox 一次预测多个边界框 让CNN输出一定数量的bounding boxes(每个box用4个参数表示,分别是.
《Scalable Object Detection using Deep Neural Networks》Bounding Box目标检测的思想
qq_38109282的博客
04-24 410
Scalable Object Detection using Deep Neural Networks 阅读该论文前有一些需要了解的知识 博客 非极大值抑制(Non-Maximum Suppression) 论文理解 论文的方法 我们的目标是通过预测一组表示潜在对象的边界框来实现与类无关的可伸缩对象检测。更准确地说，我们使用深度神经网络(DNN)，它输出固定数量的边界框。此外，它为每个表示包含对象的盒子的网络置信度的盒子输出一个分数。 训练一个DNN来预测每幅训练图像的边界框和置信度，最高得分的框就能
MultiBox：Scalable Object Detection using Deep Neural Networks（论文Google翻译纯享）
MMMMMMNONG的博客
04-29 761
本文针对MutiBox论文进行翻译分享（翻译来自Google）
Scalable Object Detection using Deep Neural Networks(泛读)
小胜爱捣鼓
10-03 3501
一.文献名字和作者     Scalable Object Detection using Deep Neural Networks， CVPR2014     二.阅读时间      2014年10月3日 三.文献的贡献点    文献主要提出了使用DNN用于物体检测，主要的贡献点有下面三个：    1.将物体检测问题定义为一个多个边框的坐标的回归问题；    2.将边
Scalable Object Detection using Deep Neural Networks译文
weixin_30693683的博客
06-12 146
原文：https://arxiv.org/abs/1312.2249 转载于:https://www.cnblogs.com/a1397240667/p/9164686.html
目标检测系列(3):OverFeat和DeepMutliBox
alfred_torres的博客
10-13 1014
Object detection 之 OverFeat Object detection 之 DeepMultiBox Scalable Object Detection using Deep Neural Networks 利用深度神经网络实现可扩展的目标检测 2014 CVPR，Google出品 摘要 文章指出之前的目标检测模型存在的问题：无法处理同类物体的多个实例cannot handle ...
目标检测—YOLO系列(二 ) 全面解读复现YOLOv1 PyTorch
专注于人工智能学习，总结
11-15 2225
复现YOLO v1 PyTorch Paper: [1506.02640] You Only Look Once: Unified, Real-Time Object Detection (arxiv.org) Github: EclipseR33/yolo_v1_pytorch (github.com) 数据集 VOC2007：The PASCAL Visual Object Classes Challenge 2007 (VOC2007) VOC2012：The PASCAL Visual Object
【YOLO系列】YOLOv1论文超详细解读（翻译 ＋学习笔记）
热门推荐
路人贾的博客
02-13 6万+
YOLOv1论文（《You Only Look Once: Unified, Real-Time Object Detection》）超详细精读。看这一篇就够了！
各种对象检测论文总结(Object Detection )
junmuzi的专栏
12-01 2万+
Original url: http://blog.csdn.net/u010167269/article/details/52563573 https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oc
【深度学习论文笔记】Deep Neural Networks for Object Detection
1983的专栏
07-25 9612
论文: Deep Neural Networks for Object Detection>>       作者: Christian Szegedy Alexander Toshev Dumitru Erhan 来源: Google 是否开放代码 主要思想：利用DNN来做目标检测，因为现在的CNN等深度学习在识别上面做的还挺好，但是在目标检测上
Fast, Accurate Detection of 100,000 Object Classes on a Single Machine 读后记录（转载）
twnming的专栏
05-12 1143
这篇文章是CVPR 2013 best paper。 这篇文章的牛，主要体现在一些关键数字上，可以分类100000类别，比base line快了20000倍。 不过，美中不足的是，其单机处理一幅图像的速度，需要20s，而且，100000类mAP为0.16，看上去很美，但是距离实用还有一些距离。 这篇文章的卖点在于速度快，具体就是对于多类检测问题，检测速度可
Deep Neural Networks for Object Detection（基于DNN的对象检测）
Inner Peace
11-09 5235
本博客对论文《Deep Neural Networks for object detection》进行了翻译
Object Detection(目标检测神文)
duanyajun987的博客
03-28 3840
转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 更新时间： 20190226 我会跟进原作者博客持续更新，加入自己对目标检测领域的一些新研究及论文解读。博客根据需求直接进行关键字搜索，例如2018，可找到最新论文。 文章目录 Papers 损失函数...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值