目标检测算法——RepPoints

论文：https://arxiv.org/pdf/1904.11490.pdf 代码：https://github.com/microsoft/RepPoints

这是2019ICCV上的一篇关于目标检测表示方法的论文，提出了一种更加精准高效的表示方法RepPoints。

摘要：本文对anchor-free的目标检测RepPoints系列算法进行梳理，具体包含RepPoints, RepPoints V2, Dense RepPoints。 背景介绍 近两年来，anchor-free作为目标检测算法的新思路，已经得到越来越多的关注。在典型anchor-based的算法中，模型的效果往往受限于anchor的配置参数，如anchor大小、正负样本采样、anchor的宽高比等，要求开发者要十分了解数据，才能配置好anchor参数，从而训练得到一个好的模型。anchor-free

ICCV2019 | 目标检测之RepPoints

现代目标检测器在各个识别阶段严重依赖于矩形边界框来表示目标，如锚框、建议和最终预测。边界框使用方便，但是只提供了目标的粗糙定位，导致目标特征相应地粗糙提取。在本文中，我们提出RepPoints，一种新的更精细的目标表示，它是一组对定位和识别都有益的采样点。给定用于训练的真值位置和识别目标，RepPoints学习以一种限制目标的空间范围并指示语义显著的局部区域的方式来自动地排列自己。而且它们不需要使用anchor来采样边界框空间。

YOLOv4: Optimal Speed and Accuracy of Object Detection YOLOv4: 目标检测最优速度和精度 Alexey Bochkovskiy* [email protected] Chien-Yao Wang* Institute of Information Science Academia Sinica, Taiwan [email protected]....

目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[YOLOv4中英文对照版] YOLOv4: 目标检测最优速度和精度 Alexey Bochkovskiy* [email protected] Chien-Yao Wang* Institute of Information Science Academia Sinica, Taiwan kinyiu@i

  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F

现代的目标检测器在很大程度上依赖于矩形边界框，如锚，建议和最终预测，以表示在各个识别阶段的对象。边界框使用方便，但仅提供对象的粗略定位，并导致对象特征的相应粗略提取。在本文中，我们提出了RepPoints（代表点），一个新的更精细的表示对象作为一组样本点有用的本地化和识别。给定用于训练的地面实况定位和识别目标，RepPoint学习以限制对象的空间范围并指示语义上重要的局部区域的方式自动排列自己。此外，它们不需要使用锚来对边界框的空间进行采样。

为什么不单独测试两组reppoints， 与上一篇的对比，说是在abalation study一样的那个 init center——》box，与yolo什么关系 init box——》reppoints是怎么操作的 Appendix中的reppoint没解释清楚啊。 ...

JavaScript实现articulation-points（关键点）（割点）算法depthFirstSearch.js完整源代码articulationPoints.js完整源代码 depthFirstSearch.js完整源代码 function initCallbacks(callbacks = {}) { const initiatedCallback = callbacks; const stubCallback = () => {}; const allowTravers

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。计算机视觉中关于图像识别有四大类任务：1.分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。2.定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。3.检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。

目标检测的通用做法是，数据以边框格式标注，模型拟合，也是拟合边框的坐标和长度，拓展到3D，可以按照标注数据的格式，拟合3维体的中心点坐标和旁开的长度。 而在二维的目标检测中，比如由于目标的形状不同，如人或动物的姿势变化，在边框内有效信息可能会相对减少，作者就针对这种情况，改变了标注数据和最终拟合的形式，变成关键点拟合。 如何拟合这些关键点呢？作者用了在通用anchor方式的检测中所用到的普通卷...

目标检测论文阅读：RepPoints 论文链接：https://arxiv.org/abs/1904.11490 代码链接：https://github.com/microsoft/RepPoints 这周来看一下anchor free领域的一个比较新的算法reppoints，ICCV 2019的文章。这篇文章漂亮的地方在于对deformable卷积的有趣应用。而且虽然是基于points检测的，但...

RepPoints：Point Set Representation for Object Detection （2019.4.25） 论文由清北和微软联合提出，RepPoints将可变形卷积进行灵活使用，定位目标的一些值得注意的点（representative point）。通过目标的这些点进行bbox编码，得到目标预测框。Rep...

&Title: RepPoints: Point Set Representation for Object Detection 代码地址 &Summary 提出了一种新的表示形式，称为RepPoints，它提供了更细粒度的定位并有助于分类。 如图所示，RepPoints是一组点，这些点学会以一种限定对象空间范围并指示语义上重要的局部区域的方式自适应地将自己定位在目标上。 Re...

这部分内容主要介绍了在 DINOv2 ViT-B/14 模型基础上，针对语义分割和单目深度估计这两种密集预测任务，分别构建线性预测头，并详细阐述了训练和评估的具体流程。