这些优秀的组织正在使用:

半自动标注系统是基于BS架构,纯Web页面操作,集成视频抽帧,目标检测、视频跟踪、ReID分类等算法,实现了对图像,视频的自动标注,并可以对自动算法的结果进行人工标注,最终得到标注结果,同时也可以对视频、文本、图片、医疗(包括dicom文件及病理图像)相关的数据进行人工标注,标注结果支持COCO及VOC格式。

Updated 6 days ago JavaScript

半自动标注系统是基于BS架构,纯Web页面操作,集成视频抽帧,目标检测、视频跟踪、ReID分类等算法,实现了对图像,视频的自动标注,并可以对自动算法的结果进行人工标注,最终得到标注结果,同时也可以对视频、文本、图片、医疗(包括dicom文件及病理图像)相关的数据进行人工标注,标注结果支持COCO及VOC格式。

Updated 6 months ago JavaScript

全卷积无Anchor Box的目标检测框架【项目施工中。。。】

Updated 8 months ago Python

Faster R-CNN是一个两阶段目标检测网络,该网络采用RPN,可以与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选计算。整个网络通过共享卷积特征,进一步将RPN和Fast R-CNN合并为一个网络。在Faster R-CNN之前,目标检测网络依靠区域候选算法来假设目标的位置,如SPPNet、Fast R-CNN等。研究结果表明,这些检测网络的运行时间缩短了,但区域方案的计算仍是瓶颈。 Faster R-CNN提出,基于区域检测器(如Fast R-CNN)的卷积特征映射也可以用于生成区域候选。在这些卷积特征的顶部构建区域候选网络(RPN)需要添加一些额外的卷积层(与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选),同时输出每个位置的区域边界和客观性得分。因此,RPN是一个全卷积网络,可以端到端训练,生成高质量的区域候选,然后送入Fast R-CNN检测。

Updated 8 months ago Python

SSD是一种非常优秀的one-stage目标检测方法,其主要思路是利用CNN提取特征后,均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,物体分类与预测框的回归同时进行,整个过程只需要一步,所以其优势是速度快。该项目采用的主网络是mobilenetV2

Updated 1 year ago Python

centernet_hourglass,目标检测。

Updated 8 months ago Python

centernet_resnet101,目标检测。

Updated 8 months ago Python

SSD是一种非常优秀的one-stage目标检测方法,其主要思路是利用CNN提取特征后,均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,物体分类与预测框的回归同时进行,整个过程只需要一步,所以其优势是速度快。该项目采用的主网络是mobilenetV2,且利用了FPNlite的结构。

Updated 1 year ago Python

EfficientDet是一个目标检测的模型框架,可以实现高效快速实现目标检测。https://gitee.com/mindspore/models/tree/master/research/cv/EfficientDet_d0

Updated 8 months ago Python

NAS-FPN算法源自2019年Google Brain的论文 NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection。该论文NAS技术在目标检测领域的开山之作,主要集中在对FPN架构的搜索, 最大创新点在于搜索空间的设置。

Updated 2 months ago Python

EGNet是用来解决静态目标检测问题,它由边缘特征提取部分、显著性目标特征提取部分以及一对一的导向模块三部分构成,利用边缘特征帮助显著性目标特征定位目标,使目标的边界更加准确。在6个不同的数据集中与15种目前最好的方法进行对比,实验结果表明EGNet性能最优。

Updated 8 months ago Python

RAS是一种用于显著性目标检测的网络。首先,该模型提出了两种初始预测策略,一种是新设计的多尺度上下文模块,另一种是结合手工制作的显著性先验。 其次,利用残差学习逐步细化,只学习各边输出中的残差,这可以在较少的卷积参数下实现,从而获得较高的紧凑性和效率。 最后,进一步设计了一种新的自上而下的反向注意块来指导上述侧输出残差学习。具体来说,利用当前预测的显著区域来去除其侧输出特征,从而可以有效地从这些未删除的区域中学习到缺失的目标部分和细节,从而实现检测更完整和更高的精度。

Updated 10 months ago Python

SABL的MindSpore复现 ECCV2020中的目标检测论文《Side-Aware Boundary Localization for More Precise Object Detection》 https://arxiv.org/abs/1912.04260 https://github.com/open-mmlab/mmdetection

Updated 1 month ago Python

SSD是一种非常优秀的one-stage目标检测方法,其主要思路是利用CNN提取特征后,均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,物体分类与预测框的回归同时进行,整个过程只需要一步,所以其优势是速度快。该项目采用的主网络是mobilenetV2

Updated 1 week ago Python

侧扫声呐图像实时拼接与目标检测系统,简称OceanPro,是一款用于水下对侧扫声呐采集的XTF(eXtended Triton Format)格式文件进行实时图像拼接与目标检测的系统。其工作原理是通过对获取的侧扫声呐、导航定位等探测数据进行融合实现水下地形地貌拼图,利用深度学习算法处理侧扫声呐图像实现对水下敏感目标的自动检测。 同时该系统能够实时显示侧扫声呐的工作情况,以及显示目标检测信息。

Updated 8 months ago C++

该项目开源了首个面向学术界和工业界的目标检测开源框架,有效地把学术研究和技术落地融合到一个框架中。它提供了人脸人体检测算法、物体检测算法、半监督检测算法以及目标跟踪算法。

Updated 1 year ago Python

网络模型:SSD300_MobileNet V2(轻量) 数据集:Pedestrain_Detection 485 任务:目标检测 内容:CPU本地训练+ModelArts云端训练

Updated 1 month ago Python

侧扫声呐图像标注软件(Open Side-Scan-Sonar Label Tool),简称OpenSLT,是一款能够对XTF格式文件直接进行标注的软件。其工作原理是在线解析XTF格式文件并生成图像,在此基础上进行标注,相比于传统标注方法,该软件能够有效的保留侧扫声呐图像的额外信息,如目标所在帧数、所在采样点、斜距信息等等,方便后续基于深度学习的目标检测算法开发。

Updated 8 months ago C++

Faster R-CNN是一个两阶段目标检测网络,该网络采用RPN,可以与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选计算。整个网络通过共享卷积特征,进一步将RPN和Fast R-CNN合并为一个网络。在Faster R-CNN之前,目标检测网络依靠区域候选算法来假设目标的位置,如SPPNet、Fast R-CNN等。研究结果表明,这些检测网络的运行时间缩短了,但区域方案的计算仍是瓶颈。 Faster R-CNN提出,基于区域检测器(如Fast R-CNN)的卷积特征映射也可以用于生成区域候选。在这些卷积特征的顶部构建区域候选网络(RPN)需要添加一些额外的卷积层(与检测网络共享整个图像的卷积特征,可以几乎无代价地进行区域候选),同时输出每个位置的区域边界和客观性得分。因此,RPN是一个全卷积网络,可以端到端训练,生成高质量的区域候选,然后送入Fast R-CNN检测。

Updated 1 year ago Python

为促进海洋养殖场水下自动抓取机器人的发展,大连理工大学多媒体实验室(MM_lab)提出了一个水下海洋牧场目标检测数据集UDD。UDD包括3个类别(海参、海胆和扇贝)共2,227张图片。这是第一个在真实海洋牧场中采集到的数据集。我们还提出了一个新的泊松混合生成对抗网络(Poisson GAN)。 利用Poisson GAN我们构造了一个大型包含18,000张图像的增强数据集(AUDD)。

Updated 10 months ago