git基本操作总结
Docker的使用与总结
在程序开发过程中,经常需要我们去配置各种开发环境,而本地与线上还可能存在环境依赖的不同,导致出现一些不知名的bug,这个时候不要抓头,是时候使用docker来帮你排忧解难了,下面我通过下面几个篇章来介绍Docker.
SNIP
本篇文章是一篇优化目标检测精度的文章,在two stage方法上进行模型优化的,文章的主要关注点在于目标尺度(Scale)。基于作者对目标尺度的实验与分析,设计了SNIP方法,该方法实验证明,可以有效提高目标检测的精度
SNIPER(Efficient Multi-Scale Training)
ExtremeNet(Bottom-up Object Detection by Grouping Extreme and Center Points)
本篇论文是CVPR2019的一篇anchor free的目标检测论文,借鉴了CornerNet的思想,又对其进行了进一步的改进,取得了还不错的效果,不同于CornerNet,本文提出网络ExtremeNet,不再检测目标的左上角点与右下角点,而是检测目标的4个极值点(即最上点,最下点,最左点,最右点),框出目标,极值点示例如下图所示,方法比较新颖,同时也取得了比较不错的效果,在COCO测试集上,取得了43.7%的精度,速度其实没有特别大的优势,大约300ms处理一张图像,下面我们详细介绍一下本篇论文。
Fast-RCNN
Fast R-CNN是RBG大神于2015年发表的目标检测网络,其在SPP-Net的基础上,通过进一步的改进,使得目标检测精度以及检测速度有了进一步的提升,下面详细介绍Fast R-CNN的创新点。主要创新点在于:1. Fast R-CNN设计了multi-loss方式进行目标分类以及位置回归,不需要进行特征存储到disk,使得效率有了大大的提升,2. 不需要multi-pipeline。3. CNN参数全更新。4. 单个ROI-pooling不再是SPP-Net的多级pooling,ROI pooling可以理解为SPP-Net的特殊形式。5. 使用mini-batch SGD方式进行训练。6. 利用SVD方式进行速度的提升。
Faster-RCNN
经典中的经典 Faster-RCNN
FPN
Mask RCNN
Mask R-CNN是He Kaiming大神2017年的力作,其在进行目标检测的同时进行实例分割,取得了出色的效果,其在没有任何trick的情况下,取得了COCO 2016比赛的冠军。其网络的设计也比较简单,在Faster R-CNN基础上,在原本的两个分支上(分类+坐标回归)增加了一个分支进行语义分割,如下图所示: