[论文笔记5]A Discriminatively Trained, Multiscale, Deformable Part Model

最新推荐文章于 2017-05-18 15:25:53 发布
原创 最新推荐文章于 2017-05-18 15:25:53 发布 · 1.2k 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
CV

当前文章被收录于：

CV
10 篇文章 0 人学习
订阅专栏 查看详情
本文介绍物体检测模型的组成及特征应用，利用HOG特征进行物体位置确定，并通过Latent SVM进行优化，确保模型的准确性。同时，探讨了模型在HOG金字塔中的置放策略，以及如何通过挖掘负样本来提升检测效果。

1.物体检测的模型组成：一个 global root filter 用来确定物体的位置(获取coarse features) 以及若干part model，包括spatial model 和 part filter(finer scale features)

2.特征：hog

一个block=2×2 cell = 4× 9（bins） = 36 D

所以一个filter的weight是：4×9×w*h

filter(w*h)在detect windows上的得分是filter与该特征在hog金字塔的subwindow(w*h)的点积


3.将model置于hog金字塔，假设每个part的hog cell 的size是root level 的一半

放置model的得分=每个filter的得分（数据相关项）+ 每个part相对于root（二次函数）的placement的得分（spatial term）

然而placement是指数级增长，2个技巧：动态规划，距离转换


4.latent svm 

hinge: max(0,1-yi*fbeta(xi)) 

当yi=-1 损失函数是关于负样本的凸函数

将正样本的latent domain限制为单一的选择，那么关于正样本也是凸的

使用坐标下降法：step1，固定beta（模型参数），优化正样本的隐变量Zi。。。step2，固定{Zi}，优化beta，此时是凸优化问题


5.挖掘负样本

添加那些分错的，且靠近分割平面的负样本 hard instances,作者收集了所有的hard negatives

A Discriminatively Trained, Multiscale, Deformable Part Model
weixin_36670529的博客
09-13 860
目录 摘要 1、简介 2、模型 2.1、HOG表示 2.2、滤波器 2.3、可变形部分 3、学习 3.1、Latent SVM 3.2、半凸性 3.3、难负数据挖掘 3.4、实现细节 4、结果 5、讨论 摘要 本文提出了一种可训练的、多尺度、可变形的目标检测零件模型。在2006年PASCAL人员检测挑战赛中，我们的系统在平均精度上比最佳性能提高了两倍。在2007年的挑...
判别训练的多尺度可变形部件模型 A Discriminatively Trained, Multiscale, Deformable Part Model
热门推荐
Why So Serious?
12-24 2万+
本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCAL 人体检测竞赛中最优结果的两倍，同样比2007 PASCAL目标检测比赛中20个类别中的10个的最优结果都要好。此系统非常依赖于可变形部件模型。随着可变形部件模型逐渐流行，它的价值并没有在类似PASCAL的较难的数据集上被展示。我们的系统还依赖于判别训练的新方法。我们将一种挖掘难例(Hard Negative Example)的间隔敏感方法与隐藏变量SVM(Latent variable SVM)结
Discriminatively Trained Deformable Part Models
hillhaw的专栏
07-16 1501
Discriminatively Trained Deformable Part Models Version 4 (April 21, 2010) Over the past few years we have developed a complete learning-based system for detecting and localizing obj
A Discriminatively Trained, Multiscale, Deformable Part Model. In:CVPR. (2008)翻译
ture_dream的博客
02-09 875
判别训练的多尺度可变形部件模型 Pedro.Felzenszwalb，David.McAllester，Deva.Ramanan       摘要        本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCAL 人体检测竞赛中最优结果的两倍，同样比2007 PASCAL目标检测比赛中20个类别中的10个的最优结果都要好。此系
(译)判别训练的多尺度可变形部件模型 A Discriminatively Trained, Multiscale, Deformable Part Model
zhazhiqiang2010的专栏
02-20 2226
原文：http://blog.csdn.net/masibuaa/article/details/17533419 判别训练的多尺度可变形部件模型 Pedro.Felzenszwalb，David.McAllester，Deva.Ramanan  摘要        本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCA
A Discriminatively Trained, Multiscale, Deformable Part Model(判别训练的多尺度可变形部件模型——中文翻译版)
u012154840的博客
05-18 2376
摘要        本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCAL 人体检测竞赛中最优结果的两倍，同样比2007 PASCAL目标检测比赛中20个类别中的10个的最优结果都要好。此系统非常依赖于可变形部件模型。随着可变形部件模型逐渐流行，它的价值并没有在类似PASCAL的较难的数据集上被展示。我们的系统还依赖于判别训练的新方法。
DPM2008中文翻译- A Discriminatively Trained, Multiscale, Deformable Part Model判别训练的多尺度可变形部件模型
cyq0122的专栏
05-12 1794
判别训练的多尺度可变形部件模型 Pedro.Felzenszwalb，David.McAllester，Deva.Ramanan
[论文笔记3]Aggregated channel features
Joker's Time
11-04 5103
the aggregated pixels in all subsampled channels are then vectorized into a pixel look-up table. 由于特征直接从下采样的通道里由像素值提取而来，而不是使用积分图计算不同位置和比例的矩形区域求和。特征算的快，并且特征池变小。跟提升分类器配合好。 Feature design: 1.channel
论文笔记：An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application
Joker's Time
10-12 4093
1.历史方法 1）基于字符的DCNN,比如photoOCR.单个字符的检测与识别。要求单个字符的检测器性能很强，crop的足够好。 2）直接对图片进行分类。9万个单词，组合成无数的单词，无法直接应用 3）RNN,训练和测试均不需要每个字符的位置。但是需要预处理，从图片得到特征序列，独立做的，无法端到端。 2.propose method 1)端到端 2）任意长度 3）模型尺寸
论文笔记：Perceptual Losses for Real-Time Style Transfer and Super-Resolution[doing]
Joker's Time
07-13 3375
1.transformation: image to image  2.perceptual losses:      psnr是per-pixel的loss,值高未必代表图片质量好，广泛应用只是因为计算比较简单 对图片做super resolution define 4 loss: 1.pixel L2  :feature reconstruction loss 2.gram mat
论文笔记：Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks
Joker's Time
08-08 2781
1.什么是deconvolution 反向映射，用来可视化深度特征，也可以用来重建图片。 2.合成图片两种方式： 1）生成全图的模型，效果不错但只对小图work,保真度fidelty低，一般用auto encoder 2）马尔科夫模型，同时生成texture。可以捕获局部patch的统计信息。本文是第二种 3.主要通过strided convolutional network取代po
[论文笔记4]Robust Object Detection via soft cascade
Joker's Time
11-04 2044
the trade-off between accuracy and speed 1.降低计算量的一个常用方式是把分类器拆分成一个线性序列,cascade,其中每个次分类器,叫做stage,是二分类器,被训练来拒绝明显不是脸的部分,并且使的几乎所有的脸通过下一个stage.每个连续的stage基于之前stage通过的非脸部分来训练.复杂度降低通过早期比较容易拒绝掉大多数非脸来体现 2.casc
论文笔记：CTC
Joker's Time
11-10 1683
1.label error rate：归一化的编辑距离。LER= 总ED/num 2.pie关于x的条件概率: 其中，y = Nw(x),是网络的输出序列，可以看做时刻t输出为k的概率。 T是输出序列长度L+{blank} define as L’ 的长度. pie 是L’的元素，被称为path。 3.指定label l 关于输入x的条件概率 1) beta(-aa
[论文笔记2]a fast feature pyramid
Joker's Time
11-04 1669
优化分类速度： for optimizing classification speed given precomputed image feature: 1.cascades structure---soft cascade ,rather than attentional cascade structure in VJ. soft cascade的应用。Adaboost分类器包括2
[论文笔记1]Integral Channel Features
Joker's Time
11-04 1067
Introduced channel features and modified the VJ framework to compute integral images (and Haar wavelets) over the channels. Substantially outperformed HOG and at faster speeds.
易语言源码高亮显示(模块代码)
最新发布
07-18
易语言源码高亮显示（模块代码）
AD18中文教程-下载即用.zip
07-18
源码下载地址： https://pan.quark.cn/s/a4b39357ea24 Altium Designer 18是一款功能丰富的电子设计自动化工具，其集成了电路原理图绘制、PCB布局规划、三维视图展示、电路仿真分析以及生产文件生成等多项核心功能，为电子工程师们提供了一个全面的硬件设计解决方案。该软件的官方中文指导材料系统地阐述了从项目初始阶段到最终完成的全过程操作方法。 在“AD18 官方中文指导材料”中，使用者可以掌握以下核心内容要点： 1. **系统配置与界面认知**：熟悉Altium Designer 18的工作平台，涵盖菜单选项、工具栏配置、工作区域安排，以及个性化工作界面的设定方法。 2. **项目创建流程**：掌握如何建立新的项目工程，包括工程参数配置、项目模板选取，以及项目文件的添加操作。 3. **电路图绘制技术**：学习电路原理图的绘制流程，包括元件库的维护管理、元件放置技巧、连接线路绘制、属性编辑操作，以及网络表的自动生成方法。 4. **元件库构建与管理**：了解如何建立自定义元件库，执行元件的导入与导出任务，以及利用Altium Designer自带的元件资源库。 5. **PCB布局设计方法**：掌握PCB设计的基本准则，如元件布局策略、布线技巧、层叠结构调整、布线规则优化，以及冲突检测与短路处理技术。 6. **设计规范与约束条件**：理解设定设计规范和电气约束条件的关键性，包括间距参数设定、焊盘尺寸规格、过孔尺寸要求等，以及运用规则检查进行设计验证的流程。 7. **三维模型整合应用**：学习如何将三维模型与PCB设计内容相结合，以实现更为直观的机械配合验证。 8. **电路性能仿真技术**：掌握使用Altium Des...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值