标签：论文   使用   nta   上采样   扩展   keras   快速   特性   div   

1、评价指标 mean Average Precision(mAP)

https://blog.csdn.net/zl3090/article/details/82740727

https://www.cnblogs.com/eilearn/p/9071440.html

https://blog.csdn.net/yangzzguang/article/details/80540375

https://blog.csdn.net/wangdongwei0/article/details/83033340

2、YOLO相关

YOLO

页面：https://pjreddie.com/darknet/yolo/

https://www.cnblogs.com/MY0213/p/9460562.html

https://blog.csdn.net/fangxiangeng/article/details/80623129

YOLO9000: Better, Faster, Stronger 论文：https://arxiv.org/abs/1612.08242

https://zhuanlan.zhihu.com/p/33277354

https://cloud.tencent.com/developer/news/302362  目标检测算法历经了：yolo v1—SSD—yolo v2 / yolo 9000 —yolo v3

YOLO V3

论文网址： https://arxiv.org/abs/1804.02767

YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。

 代码： https://github.com/qqwweee/keras-yolo3

https://www.jianshu.com/p/d13ae1055302

https://blog.csdn.net/leviopku/article/details/82660381

3、小目标检测相关

https://www.jianshu.com/p/1973079386f4

https://blog.csdn.net/wq604887956/article/details/83053927

https://www.csdn.net/gather_26/MtTaggysMjYzMy1ibG9n.html

https://blog.csdn.net/u014236392/article/details/83993730

小目标检测的一些理解 https://blog.csdn.net/weixin_38440272/article/details/83269361

4、数据增强

 https://arxiv.org/abs/1902.07296

Augmentation for small object detection 小目标检测中的数据扩展

增强小目标检测 https://blog.csdn.net/u011344545/article/details/91355839

https://blog.csdn.net/abrams90/article/details/89371797

Improving Small Object Detection (ACPR2017) https://blog.csdn.net/weixin_39290638/article/details/84487984

SNIPER: Efficient Multi-Scale Training https://arxiv.org/abs/1805.09300 5fps,on a single V100 GPU

5、多尺度处理

1）https://www.admin5.com/article/20180726/867501.shtml

Yi+提交的深度学习模型，虽然采用了Faster RCNN的基本结构，但有很多不同之处：1）采用ResNeXt作为基础网络，结合FPN实现多尺度特征融合，2）在后处理阶段，采用SoftNMS和多框投票融合；3）通过Yi+海量数据进行预训练；4）多尺度训练，进一步加强数据增强。

2）面向小目标的多尺度Faster-RCNN检测算法

摘要 小目标是指图像中覆盖区域较小的一类目标.与常规目标相比，小目标信息量少，训练数据难以标记，这导致通用的目标检测方法对小目标的检测效果不好，而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上，提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network， Faster-RCNN)检测算法.根据卷积神经网络的特性，修改了Faster-RCNN的网络结构，使网络可以同时使用低层和高层的特征进行多尺度目标检测，提升了以低层特征为主要检测依据的小目标检测任务的精度.同时，针对训练数据难以标记的问题，使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同，又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化，使训练图像和测试图像的特征分布更类似.实验结果表明：所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.

http://crad.ict.ac.cn/CN/abstract/abstract3866.shtml

6、其他

Object Detection目标检测全面总结

https://blog.csdn.net/cym1990/article/details/78772020

https://blog.csdn.net/hw5226349/article/details/81906882

https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html

小目标检测相关资料备忘

标签：论文   使用   nta   上采样   扩展   keras   快速   特性   div   

原文地址：https://www.cnblogs.com/wxl845235800/p/11371227.html