MODNet-Motion and Appearance based Moving Object Detection Network for Autonomous Driving
相關連線
解決問題
獲得兩種結果，一個是區分運動前景和靜態背景的mask，另外一個是檢測所有車輛的bounding boxes，並且區分
主要貢獻
- MODNet
一個雙流的多工學習框架，兩個VGG16的編碼網路，分別提取RGB影象和稠密光流影象的特徵，然後把特徵融合（具體如何融合文章沒講）之後分別送給 FastBox網路 和 MS網路（多層轉置卷積）
- 自創實驗資料 KITTI MOD
擴充套件KITTI中的目標檢測，在車輛的標註中新增靜止/運動的標籤，得到MOD
實驗
資料： DAVIS + KITTI MOD
對比：在mask結果上 和 MPNet進行對比
結果：
DAVIS meanIOU 63.88 (+CRF達到66)
KITTI MOD mAP 21.5%
速度 OpticalFlow Estimation 50min/8s+ MODNet 0.128s(8fps) + CRF 1.15s
總結
效果渣(瓶頸)是因為沒有對應大型訓練資料庫
相關推薦
MODNet-Motion and Appearance based Moving Object Detection Network for Autonomous Driving
相關連線 解決問題 獲得兩種結果，一個是區分運動前景和靜態背景的mask，另外一個是檢測所有車輛的bounding boxes，並且區分 主要貢獻 MODNet 一個雙流的多工學習框架，兩個VGG16的編碼網路，分別提取RGB影象和稠密光流影象的特徵，
[論文解讀]Multi-View 3D Object Detection Network for Autonomous Driving
問題引入 在無人駕駛場景中，物體的3D檢測(或者說是bounding-box)的重要性不言而喻。從2D檢測到3D檢測，主要的難點是提取深度資訊，因此總體上可以將其分為四種，分別為： 基於單目影象(Mono) 基於雙目影象(Stereo) 基於雷達(LIDA
Stereo Vision-based Semantic 3D Object and Ego-motion Tracking for Autonomous Driving
Peiliang Li、Tong Qin、沈劭劼 香港科技大學 摘要 我們提出一種基於立體相機的方法來追蹤複雜自動駕駛環境中相機的運動和3D語義物件。取代了直接還原3D立體輪廓的端到端方法，我們提出使用簡易標記的2D檢測和離散視點分類與一個輕量級的語義推斷方法一
SCBU-Scene conditional background update for moving object detection in a moving camera
專案地址：https://sites.google.com/view/kiminyun/profile 程式碼下載網站：https://github.com/CansenJIANG/SCBU 下載解壓後，執行提示缺 opencv_video249.dll 在D:\opencv
顯著目標檢測論文(二) —— FASA: Fast, Accurate, and Size-Aware Salient Object Detection
當初讀這篇論文的時候, 第一感覺是寫的很難讀懂, 倒不是說演算法思想層面的東西難懂, 而是英文語法層面很難準確理解一句話的含義. 在這裡對論文思路做一個梳理. 本文的目標是清楚地描述論文的核心思想, 但又不陷入翻譯論文的套路. 如有一些不合適的觀點, 還請各位看
基於視訊的移動目標檢測 Moving Object Detection
引言： 一、視訊中移動目標檢測的方法： 1. 基於畫素的移動目標檢測（畫素顏色值，畫素位置） 2. 基於區域的移動目標檢測（畫素屬性之間的關聯，大尺度特徵） 3. 其他方法 二、由於視訊環境的複雜和應用場景的複雜，很難使用單一技術應對所有的應用環境，各種相關演算法不斷湧現出
《Stereo R-CNN based 3D Object Detection for Autonomous Driving》論文解讀
論文連結：https://arxiv.org/pdf/1902.09738v2.pdf 這兩個月忙著做實驗 部落格都有些荒廢了，寫篇用於3D檢測的論文解讀吧，有理解錯誤的地方，煩請有心人指正）。 部落格原作者Missouter，部落格園連結https://www.cnblogs.com/missouter/，
How To Train an Object Detection Classifier for Multiple Objects Using TensorFlow (GPU) on Windows10
本文主要是記錄和簡義這個github專案的練習 裝置windows10 tensorflow1.10.0 原文github：點這裡 偶然發現的和我類似的文章還沒看 點這裡 首先我們知道，tensorflow官方是有一個物體檢測的API介面的。而我們今天要練習的專案就
[論文筆記]Real-Time* Multiple Object Tracking (MOT) for Autonomous Navigation
論文地址：http://cs231n.stanford.edu/reports/2017/pdfs/630.pdf1、摘要 本文提出了一種實時的多目標跟蹤演算法multiple object tracker (MOT)。先用Faster R-CNN進行檢測，
[論文理解]Region-Based Convolutional Networks for Accurate Object Detection and Segmentation
Region-Based Convolutional Networks for Accurate Object Detection and Segmentation 概括 這是一篇2016年的目標檢測的文章，也是一篇比較經典的目標檢測的文章。作者介紹到，現在表現最好的方法非常的複雜，而本文的方法，簡單又容
Deep learning based Object Detection and Instance Segmentation using Mask R
A few weeks back we wrote a post on Object detection using YOLOv3. The output of an object detector is an array of bounding boxes around objects detected i
Region-based Convolutional Networks for Accurate Object Detection and Segmentation----R-CNN論文筆記
一、為什麼提出R-CNN 目標檢測效能停滯不前，效能最好的整合方法又太複雜，所以作者提出了一個既能大幅提升效能，又更簡單的R-CNN。 二、R-CNN的框架 上面的框架圖清晰的給出了R-CNN的目標檢測流程： 1) 輸入測試影象 2) 利用s
【論文筆記】Region-based Convolutional Networks for Accurate Object Detection and Segmentation
《Region-based Convolutional Networks for Accurate Object Detection and Segmentation》是將卷積神經網路應用於物體檢測的一篇經典文章。 整個識別過程可以用下面的一張圖片來清晰的表示： 首先給定一
Structure Inference Network:Object Detection Using Scene-Level Context and Instance-Level Relationships筆記小結
sigmoid alt 識別 fas lin sca 回歸 全連接 大量 結構推理網絡：基於場景級與實例級目標檢測 原文鏈接：https://arxiv.org/abs/1807.00119 Yong Liu, Ruiping Wang, Shiguang Shan,
【R-FCN】《R-FCN: Object Detection via Region-based Fully Convolutional Networks》
NIPS-2016 目錄 目錄 1 Motivation 2 Innovation 3 Advantages 4 Methods
Rich feature hierarchies for accurate object detection and semantic segmentation（理解）
0 - 背景 該論文是2014年CVPR的經典論文，其提出的模型稱為R-CNN（Regions with Convolutional Neural Network Features），曾經是物體檢測領域的state-of-art模型。 1 - 相關知識補充 1.1 - Selective Searc
MOD(motion Object Detection)介紹
Motion Detection or Moving Object Detection 稱之為運動偵測，移動偵測，移動檢測 MOD全稱為Moving Object Detection，中文“移動物體檢測”。主要的作用是泊車時，周圍有人或物體經過探測區域被檢測到給駕駛員
Rich feature hierarchies for accurate object detection and semantic segmentation (RCNN)筆記
RCNN系列對比圖，來源 1、本文主要是記錄RCNN。論文相對於以前的傳統方法的改進有： 速度，經典的目標檢測演算法使用滑動視窗依次判斷所有可能的區域。本文則（採用selective Search方法）預先提取一系列較可能是物體的候選區域，之後僅僅在這些候選區域上進行featur
R-FCN:Object Detection via Region-based Fully convolutional Networks && light-head RCNN
一、R-FCN 1、概述 本文作者Jifeng Dai，Yi Li，Kaiming He，Jian Sun。本文主要是在特徵的通道維度上分塊後，每一塊取空間上某一部分組合成新的feature map來解決分類需空間不變性和檢測任務需空間敏感性的矛盾。 R-FCN是在fa
Revisiting Salient Object Detection: Simultaneous Detection, Ranking, and Subitizing of Multiple Sal
問題： 作者認為，顯著性目標檢測領域迄今為止的工作解決的是一個相當病態的問題。即不同的人對於什麼是顯著性目標沒有一個普遍的一致意見。這意味著一些目標會比另一些目標更加顯著，並且不同的顯著性目標中存在著一個相對排名。 本文方法： 本文方法解決了考慮了相對排名這個更普遍的問題，並且提出了適合