物体检测系列博客写作计划
2016-12-31 23:38
405 查看
前言:博主目前的研究课题为“可见光遥感图像目标检测”,研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献,梳理研究思路,记录自己的理解感悟,遂开启一个“物体检测系列博客”。
本系列博客从研究方法角度分为(a)以RCNN为代表的region based object detection方法;(b)以YOLO,SSD为代表的无proposal的回归检测方法。并且每种研究思路都会着重关注多尺度,小物体检测方面的改进算法。
从文章类型角度主要分为三类:
(1)梳理研究脉络和主要思想的综述性文章;
(2)基于论文的阅读笔记;
(3)个人理解/补充性材料。
为了保证系列博客的连贯性,我首先列出写作计划:
本系列博客从研究方法角度分为(a)以RCNN为代表的region based object detection方法;(b)以YOLO,SSD为代表的无proposal的回归检测方法。并且每种研究思路都会着重关注多尺度,小物体检测方面的改进算法。
从文章类型角度主要分为三类:
(1)梳理研究脉络和主要思想的综述性文章;
(2)基于论文的阅读笔记;
(3)个人理解/补充性材料。
为了保证系列博客的连贯性,我首先列出写作计划:
1. R-CNN系列综述及阅读笔记
1.1 R-CNN系列object detection方法概述
R-CNN系列方法的研究脉络梳理,优缺点,算法改进。涉及R-CNN,SPP-Net,Fast R-CNN,Faster R-CNN
1.2 R-CNN系列阅读笔记(1): R-CNN
论文 Rich feature hierarchies for accurate object detection and semantic segmentation阅读笔记。
1.3 R-CNN系列阅读笔记(2): SPP-Net
论文Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition阅读笔记。
1.4 R-CNN系列阅读笔记(3): Fast R-CNN
论文Fast R-CNN阅读笔记
1.5 R-CNN系列阅读笔记(4): Fsater R-CNN
论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks阅读笔记
1.6 R-CNN系列阅读笔记(5): R-FCN: Object Detection via Region-based Fully Convolutional Networks
1.7 region based detection方法的应用: Is Faster R-CNN Doing Well for Pedestrian Detection?
论文 Is Faster R-CNN Doing Well for Pedestrian Detection?探讨在行人检测领域Faster R-CNN是否有效,提出了RPN + Boosted Forest分类器。
2. 基于R-CNN的多尺度改进方法
2.1 基于R-CNN的多尺度改进方法概述
梳理基于R-CNN的多尺度改进方法,主要思路是提取多个层的feature进行卷积层的特征融合(即skip connections),涉及的方法有MultiPath Network,ION(Inside-Outside Net),HyperNet,PVANET及MS-CNN。2.2 多尺度R-CNN论文笔记(1): A MultiPath Network for Object Detection
2.3 多尺度R-CNN论文笔记(2): Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks
2.4 多尺度R-CNN论文笔记(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
2.5 多尺度R-CNN论文笔记(4): PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
2.6 多尺度R-CNN论文笔记(5): A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
2.7 多尺度R-CNN论文笔记(6): Feature Pyramid Networks for Object Detection
3. 无proposa的回归方法
3.1 无proposal,基于回归的检测算法概述
开创性工作YOLO与后续改进,以及G-CNN,SSD等工作。
3.2 无proposal检测方法(1): You Only Look Once: Unified, Real-Time Object Detection
3.3 无proposal检测方法(2): G-CNN: an Iterative Grid Based Object Detector
3.4 无proposal检测方法(3): SSD: Single Shot MultiBox Detector
3.5 YOLO9000: Better,Faster,Stronger(YOLO9000:更好,更快,更强)
相关文章推荐
- (Ryan的Redis系列博客)0.Redis系列文章的博客写作计划
- 2010年博客文章写作计划
- 博客写作计划
- [置顶] 写作计划|python系列全教程
- 【论文笔记】物体检测系列 SSD: Single Shot MultiBox Detector
- 【论文笔记】物体检测系列 Light-Head R-CNN: In Defense of Two-Stage Object Detector
- XNA系列教程 2D碰撞教程3:转换物体的碰撞检测
- 2018年代码发布计划及博客写作计划
- 物体检测系列之SSD原理介绍
- 工作日记(7月9日)——接下来一段时间的博客内容安排和写作计划
- (更新到 2009-1-5) 两个新的系列文章的写作计划——《LoadRunner 没有告诉你的》和《JMeter从入门到精通》
- 2015博客写作计划
- 物体检测-RCNN系列
- object detection(物体检测)系列论文梳理
- 物体检测系列之faster-rcnn原理介绍
- 【论文笔记】物体检测与分割系列 DeepMask
- 博客写作计划
- 物体检测-RCNN系列
- 深度学习物体检测(五)——对象检测RCNN系列总结
- 运维系列书籍写作计划