【深度学习】目标检测网络结构SSD RETINANET

最新推荐文章于 2024-10-12 15:51:19 发布
原创 最新推荐文章于 2024-10-12 15:51:19 发布 · 691 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#deep learning #detection #ssd #retinanet

one stage

SSD:

SSD是Faster-RCNN和YOLO中做了一次的分类和检测过程放在不同的图像大小上做了多次

 

RETINANET:

RESNET+FPN+FOCAL LOSS

 

实时目标检测框架对比：YOLO vs SSD vs RetinaNet
AI架构师小马
07-03 981
在如今的计算机视觉领域，实时目标检测是一项非常重要的任务。它就像我们人类的眼睛，能够在图像或者视频中快速准确地找到我们感兴趣的目标，比如在监控视频中找到小偷，在自动驾驶中识别道路上的车辆和行人等。我们这篇文章的目的就是要对比三个非常流行的实时目标检测框架：YOLO、SSD 和 RetinaNet，看看它们各自的优缺点，适用场景是什么，这样大家在实际应用中就能根据自己的需求做出更好的选择啦。我们的范围主要集中在这三个框架的原理、性能、应用等方面。接下来，我们会按照下面的结构来详细介绍这三个框架。
一阶段目标检测网络-RetinaNet详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 2856
Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection。作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域。
【目标检测经典模型比较】--SSD RetinaNet EfficientDet
weixin_62371528的博客
02-07 1925
SSD RetinaNet EfficientDet 模型的图文讲解，论文精读，包括优缺点、网络结构以及创新点，抓住重点！
retinanet 部署_RetinaNet (二) - 网络架构
weixin_31943449的博客
01-30 644
Focal Loss for Dense Object Detection上篇文章简单介绍了Focal loss，该方法现已被广泛应用。除此之外，个人觉得原文中提到的RetinaNet值得关注，看了代码后着重对FPN和分类/回归子网络的细节进行整理。Figure 1RetinaNet的网络架构如上图所示，可以简单看作是ResNet+FPN+分类/回归子网络。关于ResNet，网上的资料很多，不再赘...
23_RetinaNet网络结构详解
https://github.com/foxpup11?tab=repositories
07-13 1840
https://www.bilibili.com/video/BV1Q54y1L7sM/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
深度学习之目标检测---RetinaNet网络结构详解
qq_52191127的博客
08-11 2684
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
RetinaNet（基于resnet50和fpn）的tensorboard网络架构图
qq_24263553的博客
07-01 1952
采用网络的backbone部分，为了能运行tensorboard，所以必须要是完整的网络，所以结尾采用提取有效特征层P7（tensor类型），进行Flatten拉平，然后接了一层全连接，使用虚拟数据进行空跑，才能进入tensorboard。 Keras和TF是可以互通，使用tf.keras更加方便，中间可以嵌套tf，使用with tf.name_scope(‘stage5’): 可以将网络部分隐藏在name_scope下，更方便对主体网络进行观察 ...
基于TensorFlow Object Detection API实现RetinaNet目标检测网络（附源码）
专注AI领域
05-26 1574
RetinaNet是作者Tsung-Yi Lin和Kaiming He于2018年发表的论文Focal Loss for Dense Object Detection中提出的网络。RetinaNet凭借其结构精简清晰、可扩展性强、检测准确率高等特点，成为了很多目标检测算法的baseline。在模型的训练过程中，经常会遇到这样的场景：我们需要保存某个时刻训练好的模型参数，这样在对模型进行微调时，才能使用保存好的参数继续训练，而不是再随机生成参数大范围的拟合。
Retinanet网络结构简介
ww_1122的博客
08-20 1868
一、网络主干框架（resnet50, FPN, class子网络，reg子网络） 1.首先设置C1-C5层 C1 conv7x7,s=2,p=1 BN relu maxpool3x3,s=2,p=1 C2(3) Block[1-3]: conv1x1,BN,relu conv3x3,s=1,,p=1,BN,relu conv1x1,bn add,relu C3(4) Block[1]
深度学习之目标检测（五）-- RetinaNet网络结构详解
热门推荐
木卯_THU的博客
08-17 4万+
深度学习之目标检测（五）-- RetinaNet网络结构详解深度学习之目标检测（五）RetinaNet网络结构详解1. RetinaNet1.1 backbone 部分1.2 预测器部分1.3 正负样本匹配1.4 损失计算2. Focal Loss2.1 Cross Entropy Loss2.2 Balanced Cross Entropy2.3 Focal Loss 深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎
网络结构图SSD
03-31
SSD网络图
RetinaNet深入理解（损失函数详解）
12-28
RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）
2.1.2 RetinaNet网络结构详解
qq_45825952的博客
09-21 1402
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
【深度学习】目标检测网络结构RCNN
Sun7_She的专栏
05-17 630
算法分为4个步骤： 1. 生成1k～2k个候选区域 使用selective search方法，从一张图像生成约2000～3000个候选区域： （1）使用一种过分割手段，将图像分割成小区域 （2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置 ...
RetinaNet 分类头和回归头的网络结构分析
最新发布
Dylan_TAI的博客
10-12 3042
主干网络（Backbone）：通常使用 ResNet（如 ResNet-50 或 ResNet-101）作为特征提取器。特征金字塔网络（Feature Pyramid Network, FPN）：在主干网络的不同层级生成多尺度的特征图。分类头（Classification Head）：用于对每个锚框（anchor）进行类别预测。回归头（Regression Head）：用于对每个锚框进行边界框回归（位置调整）。下图展示了 RetinaNet 的整体架构、分类头和回归头的结构（
论文阅读笔记 | 目标检测算法——RetinaNet（focal loss、含与SSD,RCNN,YOLO的对比）
Clichong
07-30 1759
下面借这篇blog记录一些阅读笔记，如果问题，恳请指出。 文章目录1. Introduction1.1 Class Imbalance1.2 Robust Estimation2. Focal Loss2.1 cross entropy loss2.2 focal loss2.3 focal loss*3. RetinaNet Detector3.1 Feature Pyramid Network Backbone3.2 Anchors3.3 Classification Subnet3.4 Box R.
SSD系列、Retinanet、Efficientdet、RCNN系列知识点整理
jiugeshao的专栏
04-28 4870
接着前面的YOLO系列继续做一些简单的关键点整理 1.SSD（2016） https://arxiv.org/pdf/1512.02325.pdf
深度学习目标检测算法之RetinaNet算法
风间琉璃的博客
03-27 1万+
目标检测算法RetinaNet网络原理同时介绍了FPN特征金字塔和Focal Loss损失函数！
【目标检测】RetinaNet基本思想和网络结构以及论文补充
qq_44832832的博客
02-08 609
roi是在原图中的感兴趣区域，可以理解为目标检测的候选框也就是region of proposals，我们将原图进行特征提取的时候，就会提取到相应的feature map。那么相应的ROI就会在feature map上有映射，这个映射过程就是roipooling的一部分，一般ROI的步骤会继续进行max pooling，进而得到我们需要的feature map，送入后面继续计算。
深度学习目标检测：SSD模型更换及应用指南
深度学习目标检测识别不仅限于SSD和YOLO两种算法，还包括了如Faster R-CNN、RetinaNet等多种模型。每种模型有其特定的应用场景，比如R-CNN系列算法因其高准确率被广泛用于高精度检测任务，而SSD和YOLO则适合需要高...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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