深度学习从入门到放弃之CV-Object detection

目录

一、常用数据集

二、常用评价指标

三、论文目录


一、常用数据集

PASCAL VOC 包含20个类别。通常是用VOC07和VOC12的trainval并集作为训练,用VOC07的测试集作为测试。

MS COCO COCO比VOC更困难。COCO包含80k训练图像、40k验证图像、和20k没有公开标记的测试图像(test-dev),80个类别,平均每张图7.2个目标。通常是用80k训练和35k验证图像的并集作为训练,其余5k图像作为验证,20k测试图像用于线上测试。

二、评价指标

mAP (mean average precision) 当预测的包围盒和真实包围盒的交并比大于某一阈值(通常为0.5),则认为该预测正确。对每个类别,我们画出它的查准率-查全率(precision-recall)曲线,平均准确率是曲线下的面积。之后再对所有类别的平均准确率求平均,即可得到mAP,其取值为[0, 100%]。

交并比(intersection over union, IoU) 算法预测的包围盒和真实包围盒交集的面积除以这两个包围盒并集的面积,取值为[0, 1]。交并比度量了算法预测的包围盒和真实包围盒的接近程度,交并比越大,两个包围盒的重叠程度越高。

三、论文目录

以下是个人总结Object detection经典论文目录。

2013-----RCNN----Rich feature hierarchies for accurate object detection and semantic segmentation

2013----Deep Neural Networks for Object Detection

2014----SPPnet----Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition-sppnet

2015----Fast R-CNN

2016----Faster R-CNN-Towards Real-Time Object Detection with Region Proposal Networks

2016----Inside-Outside Net_Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks

2016----R-FCN-Object Detection via Region-based Fully Convolutional Networks

2016----SSD-Single Shot MultiBox Detector

目标检测之SSD代码分析(MXNet版)

2016----YOLO9000-better,faster,stronger

2016----You Only Look Once-Unified, Real-Time Object Detection

2017----A-Fast-RCNN_Hard Positive Generation via Adversary for Object Detection

2017----Deformable Convolutional Networks

2017----DSOD_ Learning Deeply Supervised Object Detectors from Scratch

2017----Focal Loss for Dense Object Detection

2017----Mask R-CNN

2017----Speed_Accuracy trade-offs for modern convolutional object detectors

2017----Light-Head R-CNN_In Defense of Two-Stage Object Detector


2018----CornerNet:Detecting Objects as Paired Keypoints

密歇根大学Hei Law等人在发表ECCV2018的一篇论文,提出CornerNet模型预测目标边界框的左上角和右下角一对顶点,即 使用单一卷积模型生成热点图和连接矢量。

2018----目标检测算法中检测框合并策略技术综述


返回CV总目录

编辑于 2018-10-31

文章被以下专栏收录