文章目录Abstract（摘要）Introduction（引言）UnifiedDetection（统一的目标检测）ComparisontoOtherDetectionSystems（和其他模型对比）Experiments（实验）小总结今天开始YOLO系列，这是一篇必读论文！给我冲！YOLO系列:yolov1精读yolov2精读yolov3精读论文题目:YouOnlyLookOnce:Unified

Abstract我们提出了一种新的目标检测方法YOLO。先前在目标检测方面的工作是重新利用分类器来执行检测。相反，我们将目标检测框架为一个回归问题，以确定空间分离的边界框和相关的类概率。一个单一的神经网络在一次评估中直接从完整的图像中预测边界框和类的概率。由于整个检测管道是一个单一的网络，因此可以根据检测性能直接进行端到端优化。我们的统一体系结构运行的速度非常快。我们的基础YOLO模型以每秒45帧

**本文内容仅代表个人理解，如有错误，欢迎指正*******（原论文在方法部分写得有点套娃的意思，实在是有点乱，内心os：心平气和心平气和）1.Problems-这篇论文主要提出两个问题：1)用一个向量来对Query进行表示，没有对Query当中丰富的物体关系进行推理，即没有有效地利用Query中的信息。2)采用特征金字塔提取图像不同层级的特征，得到不同尺度的特征图。分别在不同尺度的特征图上对目标

很久之前看过的一篇论文，网上可以下载，PDF下载地址Real-TimeMovingObjectSegmentationandClassificationfromHEVCCompressedSurveillanceVideo摘要——从压缩视频中移动对象分割和分类对智能视频监控起着重要的作用。与H.264/AVC相比，HEVC引入了许多新的编码特征，可以进一步用于移动对象的分割和分类。在本文中，我们提

原文地址https://datatracker.ietf.org/doc/html/draft-ietf-rmcat-gccAbstract摘要Thisdocumentdescribestwomethodsofcongestioncontrolwhenusingreal-timecommunicationsontheWorldWideWeb(RTCWEB);onedelay-basedandone

[1]ArriagaO,Valdenegro-ToroM,PPlöger.Real-timeConvolutionalNeuralNetworksforEmotionandGenderClassification[J].2017.本文是2017年的一篇关于表情识别和性别分类的论文，作者设计了一个轻量级卷积神经网络，并在上面测试了表情识别任务和性别分类任务，都取得了不错的效果。这里我主要来总结表情识

“Agoodpictureisequivalenttoagooddeed.”——VincentVanGogh（译者解读的意思：好的图像和真实的好的事物是等价的。——梵高）当你渲染三维物体的图像时，模型不应该仅有几何形状，他们应该也拥有所期望的视觉外观。依据着应用的不同，这个外观可以是写实主义的——外观几乎和真实物体的摄影别无二致，也可以出于一些创造性的原因而选择风格化的外观。图5.1中展示了这两者

这次阅读的源码是R2Live，论文为《R2LIVE:ARobust,Real-time,LiDAR-Inertial-Visualtightly-coupledstateEstimatorandmapping

文章：R3LIVE:ARobust,Real-time,RGB-colored,LiDAR-Inertial-Visualtightly-coupledstateEstimationandmappingpackage

NIPS2015论文链接：https://arxiv.org/pdf/1506.01497.pdf.文章目录1BackgroundandMotivation2RelatedWork3Advantages/Contributions4Method4.1RegionProposalNetworks4.1.1Anchors4.1.2LossFunction4.1.3TrainingRPNs4.2Shar

FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks论文链接：https://arxiv.org/abs/1506.01497一、ProblemStatement像SPPnet,FastR-CNN这些网络中，使用selectivesearch的方法提取regionproposal,暴露出regionproposa

详情参看原论文：FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks（https://arxiv.org/pdf/1506.01497.pdf）1.发现问题目标检测的发展从R-CNN到SPP-net、FasterR-CNN，网络的速度已经有了很大的提升，特别是FastR-CNN，在忽略生成regionpropos

摘要目前最先进的物体检测网络依靠区域提议（proposal）算法来假设物体的位置。SPPnet和FastR-CNN之类的进步减少了这些检测网络的运行时间，但也揭示了区域提议计算存在瓶颈。在这项工作中，我们引入了一个区域提议网络（RPN），该区域提议网络与检测网络共享全图像卷积特征，从而实现几乎免费（计算）的区域提议。RPN是一个全卷积的网络，可以同时预测每个位置的目标边界和目标得分。对RPN进行了

文章目录FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks论文阅读笔记2016Abstract1.Introduction2.RelatedWork3.FASTERR-CNN3.1RegionProposalNetworks3.1.1Anchors3.1.2ALossFunctionforLearningReg

FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks使用RPN实现实时目标检测摘要最先进的（State-of-the-art）目标检测网络依靠regionproposal算法来推测目标的位置。SPPnet[1]和FastR-CNN[2]等研究已经减少了这些检测网络的运行时间，这个时候regionproposal的

FasterR_CNN代码实现详解参见：faster-rcnn源码详解_樱花的浪漫的博客-CSDN博客_fasterrcnn源码Faster-rcnn详细注释版源码地址：faster_rcnn源码详细注释版+每一步均有详细批注-深度学习文档类资源-CSDN下载Abstract：最先进的目标检测网络依赖于区域建议算法来假设目标的位置。像SPPnet[1]和FastR-CNN[2]这样的进步减少了这些

FasterR-CNN：TowardsReal-TimeObjectDetectionwithRegionProposalNetworks著名的fasterR-CNN当然应该好好读一读~Abstract：背景：先进的主流网络的目标检测网络，都依赖着regionproposalalgorithms来推测对象位置。先进的SPPnetFast-RCNN都减少了目标检测探测器的运行时间，而且regionp

目录前期准备名词解释目标检测非极大值抑制（Non-Maximum-Suppression，NMS）RNN神经网络（循环神经网络RecurrentNeuralNetwork)注意力机制鲁棒性IOU拟复现代码前期准备名词解释目标检测输入图像中往往有很多物体，目的是判断出物体出现的位置与类别https://blog.csdn.net/weixin_43336281/article/details/113

Real-TimeYCoCg-DXTCompressionJ.M.P.vanWaverenidSoftware,Inc.IgnacioCastañoNVIDIACorp.September14th2007©2007,idSoftware,Inc.AbstractFrom:http://www.nvidia.cn/object/real-time-ycocg-dxt-compression.html

AReal-TimeImageProcessingwithaCompactFPGA-BasedArchitecture1RidhaDjemal,2DidierDemignyand1RachedTourki1FacultédesSciencesdeMonastirAvenuedel’Environnement5019Monastir-Tunisie2LaboratoireETIS,ENSEAUniv

GoogleCartographer《Real-TimeLoopClosurein2DLIDARSLAM》翻译(中英对照）作者:WolfgangHess,DamonKohler,HolgerRapp,DanieAndor校对:teddyluo,[email protected]注：由于译者水平有限，若有翻译错误请在留言区留个脚印，待时间充裕的时候更正。目录GoogleCartographer

更快的BiSeNet：用于实时语义分割的更快的双边分割网络提出了一种基于BiSeNetV2的更快的双边分割网络（fasterBiSeNet），它以更紧凑的结构促进了空间和语义分支的特征融合，以提高实时性能尽管BiseNetV2在速度和准确性方面取得了显著进步，但在初始下采样阶段和聚合层仍存在一些冗余，这阻碍了空间和语义分支的信息交换。我们进行了更简洁的设计，以减少冗余网络架构并加强两个分支之间的相

HOLMES：基于可疑信息流关联的实时APT检测Abstract在本文中，我们介绍了Holmes系统，它实现了一种新的检测高级和持续性威胁(APT)的方法。Holmes的灵感来自于现实世界APT的几个案例研究，这些案例突出了APT的一些共同目标。简而言之，Holmes的目标是产生一个探测信号，表明存在一组协调一致的活动，这些活动是APT活动的一部分。我们的方法解决的主要挑战之一涉及开发一套使检测信

论文链接：KinectFusion:Real-timedensesurfacemappingandtracking|IEEEConferencePublication|IEEEXploreAbstractWepresentasystemforaccuratereal-timemappingofcomplexandarbitraryindoorscenesinvariablelightingcond

论文笔记：YOLO简介这是CVPR2016的一篇很经典的目标检测论文，一阶段目标检测鼻祖，提出了一个非常实时的目标检测算法。YOLO把检测问题视为一个单纯的回归问题，比起之前的算法，YOLO预测出假阳性结果（把背景预测成某个类别）的可能性比较低，但是位置误差比较大。当然，YOLO最大的特点就是速度快，可以实现实时检测。方法将图片分成S*S个格子（s=7）每个格子负责预测中心B个（B=2）落在格子内

计划完成深度学习入门的126篇论文第四十三篇，微软的RossGirshick及UW的学者研究ObejectDetection的模型。（本篇算是YOLOv1，截止目前出到了v3版本）[官网]Abstract我们提出了一种新的目标检测方法YOLO。先前关于对象检测的工作重新定义分类器来执行检测。相反，我们将对象检测框架为一个回归问题，回归到空间分隔的边界框和相关的类概率。在一次评估中，单个神经网络直接

最近新出了YOLOV4，我系统的从V1开始整理出稿，传送门：【YOLOv1原文+翻译】YouOnlyLookOnceUnified,Real-TimeObjectDetection【YOLOv2原文+翻译】YOLO9000:Better,Faster,Stronger【YOLOv3原文+翻译】YOLOv3：AnIncrementalImprovement【YOLOv4原文+翻译】YOLOv4：Op

Yolov1在了解了边界框目标检测的思想，以及2014年CVPR发表的OverFeat特征提取的思想，以及对目标检测的一些入门了解后，感觉可以对yolov1的论文进行研究。YOLO的网络结构我们的检测网络有24个卷积层，后面是两个完全连接的层。交替的1×1卷积层减少了前几层的特征空间。我们以一半的分辨率(224×224输入图像)对图像网分类任务的卷积层进行预处理，然后加倍分辨率以进行检测Bound

参考：http://blog.csdn.net/u011534057/article/details/51244354https://zhuanlan.zhihu.com/p/24916786论文下载：http://arxiv.org/abs/1506.02640darknet版的代码下载：https://github.com/pjreddie/darknettensorflow版本的代码下载：h

论文论文题目：YouOnlyLookOnce:Unified,Real-TimeObjectDetection发表于：CVPR2016论文地址：https://arxiv.org/pdf/1506.02640.pdf项目地址：YOLO:Real-TimeObjectDetection论文代码：https://github.com/AlexeyAB/darknet论文翻译：YOLOv1论文翻译_摔倒

原文链接：https://arxiv.org/pdf/1506.02640v5.pdf2016年发表在CVPR上摘要先前的目标检测工作重新利用分类器来执行检测。我们把目标检测设计为空间分离的边界框和相关的类概率的回归问题。比之前的模型快。每秒45帧实时处理图像。更小的版本FastYOLO每秒155帧同时仍然达到其他实时检测器的mAP的两倍。与最先进的检测系统相比，YOLO的定位误差更大，但预测背景

1.论文简介Look论文名：YouOnlyLookOnce:Unified,Real-TimeObjectDetection论文地址：YOLOv1论文作者：JosephRedmon,SantoshDivvala,RossGirshick,AliFarhadi论文时间：2016年CVPR2.网络结构YOLOv1的网络结构借鉴了GooLeNet，共包含24个卷积层，2个全连接层，其中，3x3的卷积后接

作者：18届cyl时间：2021-08-08论文：《Youonlylookonceunifiedreal-timeobjectdetection》期刊：CVPR一、本文围绕的问题YOLO为什么能检测目标？YOLO长什么样子？YOLO如何训练？二、背景对象识别这件事（一张图片仅包含一个对象，且基本占据图片的整个范围），最近几年基于CNN卷积神经网络的各种方法已经能达到不错的效果了。所以主要需要解决的

论文名称：YouOnlyLookOnce:Unified,Real-TimeObjectDetection作者：JosephRedmon∗,SantoshDivvala∗†,RossGirshick¶,AliFarhadi论文地址：http://openaccess.thecvf.com/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016

摘要：我们提出了一种新的目标检测方法YOLO。以前的目标检测工作重新利用分类器来执行检测。相反，我们将对象检测框架定为一个回归问题，即空间分离的边界框和相关的类概率。单个神经网络在一次评估中直接从完整图像预测边界框和类概率。由于整个检测管道是一个单一的网络，可以直接对检测性能进行端到端优化。我们统一的架构非常快。我们的基本YOLO模型以每秒45帧的速度实时处理图像。该网络的一个小版本，FastYO

论文阅读笔记文章目录论文阅读笔记论文名称：[NeuralRecon:Real-TimeCoherent3DReconstructionfromMonocularVideo](https://arxiv.org/pdf/2104.00681.pdf)[论文笔记原文写在个人的有道云笔记上，这里可以看到插图](https://note.youdao.com/s/32hCfwDl)一、论文摘要部分二、论文

Abstract语义分割的最新进展通常采用ImageNet预训练主干网，在其后面有一个特殊的上下文模块，以快速增加视野。尽管取得了成功，但大部分计算所在的主干网没有足够大的视野来做出最佳决策。最近的一些进展通过快速降低主干中的分辨率来解决这个问题，同时还具有一个或多个具有更高分辨率的并行分支。我们采用了一种不同的方法，设计了一种受ResNeXt启发的块结构，该结构使用两个具有不同扩张率的平行3×3

AComprehensiveStudyofReal-TimeObjectDetectionNetworksAcrossMultipleDomains:ASurvey文章目录AComprehensiveStudyofReal-TimeObjectDetectionNetworksAcrossMultipleDomains:ASurvey导言1.总览论文贡献点2.目标网络结构介绍2.1目标检测网络的基

『写在前面』语义分割轻量级网络。论文出处：ECCV2018作者机构：ChangqianYu等，华中科技大学原文链接：https://arxiv.org/pdf/1808.00897相关repo：https://github.com/ooooverflow/BiSeNet目录摘要1介绍2相关工作3BilateralSegmentationNetwork3.1Spatialpath3.2Context

参考代码：lightweight-human-pose-estimation.pytorch1.概述导读：这篇文章是在OpenPose的基础上进行轻量化改进，从而使得整体网络能在Intel的CPU上达到实时的运行效果。对此文章的算法也是相当轻量级的只有410w的参数90亿的浮点运算，是含有两阶段优化OpenPose的15%，但是其AP（AveragePrecision）只降低了1个点。自然文章对原

1.文章类型/时间/作者/所属单位_项目支持：期刊/AlbertPumarola1AlexanderVakhitov2AntonioAgudo/2017/EU_Project欧盟项目；2.主要工作：（1）PL-SLAM流程图，ORB-SLAM[18]流程图的延伸。该系统由三个主要线程组成：跟踪、局部映射和循环关闭。跟踪线程估计摄影机位置并决定何时添加新关键帧。然后，局部映射将新的关键帧信息添加到贴

这一篇论文的主要贡献有两个，一个是在orb-slam的基础上加入了线特征，在不影响效率的情况下，提升了系统在低纹理的情况下的表现；二是提出了一个只用到线匹配就估计出初始地图的方法（连续三帧）。这篇论文是基于单目的，还有一个同名的PL-SLAM是双目的SLAM系统，不要弄混了~I.INTRODUCTION首先指出了为什么要使用线特征：对于ORB-SLAM，如果在低纹理场景，或者是图像有运动模糊时，系

Singlemoleculereal-time(SMRT)sequencingcomesofage:applicationsandutilitiesformedicaldiagnosticsSimonArdui,AdamAmeur,JorisRVermeesch,MatthewSHestandAuthorNotesNucleicAcidsResearch,Volume46,Issue5,16Mar

引言：谷歌实时端到端双目系统深度学习网络双目匹配可以得到环境中的三维深度信息，进而为机器人，无人车，VR等现实场景下的应用提供有力信息，在对安全验证比较高的人脸支付领域，三维人脸验证也正在逐渐取代安全性较低的二维人脸验证。近年来，深度学习双目系统匹配已经取得了很不错的进展，很多先进的网络性能已经超过传统方法。然而，深度学习双目系统匹配仍然在实用方面面临很多问题，其中一个问题便是无法做到推断实时。这

文章目录前言TheiPinYouRTBDatasetDataFormatBasicStatisticsUserFeedbackBiddingBehavioureCPC任务和协议TaskDescriptionTrainingFrameworkEvaluationProtocolBenchmark实验CTREstimationComparedModelsandFeatureEngineeringEva

利用手持设备在野外进行实时单幅图像深度感知0ABSTRACTDepthperceptionisparamounttotacklereal-worldproblems,rangingfromautonomousdrivingtoconsumerapplications.Forthelatter,depthestimationfromasingleimagerepresentsthemostversa

Abstract最先进的目标检测网络依靠区域建议算法来假设目标位置。SPPnet[1]和FastR-CNN[2]等技术进步缩短了这些检测网络的运行时间，使区域建议计算成为瓶颈。在这项工作中，我们引入了一个区域建议网络（RPN），它与检测网络共享完整的图像卷积特征，从而实现几乎cost-free的区域建议。RPN是一个完全卷积的网络，可以同时预测对象边界和每个位置的对象性分数。RPN经过端到端的训练

1、PGNet网络结构2、PG-CTC3、GRM1、PGNet网络结构图1PGNet算法流程图该网络结构主要包括主干网络、TBO、TCL、TDO以及TCC。其中，TBO(TextBorderOffset):文本边框偏移，TCL(TextCenterLine):文本中心线检测，TDO(TextDirectionOffset):文本方向偏移，TCC(TextCharacterClassificatio

论文总结：  文中方法比较简单，通过全卷积CNN预测一个heatmap及locationmap。locationmap实际上就是X,Y,Z三个方向的坐标图，找到关键点的过程为heatmap中寻找照最大值(x,y)，则在对应的X,Y,Z找到对应位置的点，组成相对根节点的3D坐标。  由于这种3Dpose估计是通过单帧进行的，无法考虑前后信息，无法在视频时间上保持动作的一致性，所以需要一系列的后处理。

CPU上的实时2D多人姿势估计：轻量级OpenPose摘要在这项工作中，我们调整了多人姿势估计架构以在边缘设备上使用它。我们遵循COCO2016关键点挑战赛的获胜者OpenPose[3]的自下而上的方法，因为它具有良好的质量和对框架内人数的鲁棒性。借助本文中提到的的网络设计和优化的后处理代码，完整的解决方案在Intel®NUC6i7KYBminiPC上以每秒28帧(fps)的速度运行，在Corei