目标检测 | 数据增强、backbone、head、neck、损失函数

最新推荐文章于 2025-01-16 22:48:01 发布
转载 最新推荐文章于 2025-01-16 22:48:01 发布 · 409 阅读 · 8 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/137769687

一、数据增强方式

random erase
CutOut
MixUp
CutMix
色彩、对比度增强
旋转、裁剪

在这里插入图片描述

解决数据不均衡：

Focal loss
hard negative example mining
OHEM
S-OHEM
GHM（较大关注easy和正常hard样本，较少关注outliners）
PISA

在这里插入图片描述

二、常用backbone

在这里插入图片描述

三、常用Head

Dense Prediction (one-stage):
在这里插入图片描述
Sparse Prediction (two-stage):
在这里插入图片描述
Path-aggregation blocks:
在这里插入图片描述

五、Skip-connections

在这里插入图片描述

六、常用激活函数和loss

在这里插入图片描述

七、正则化和BN方式

在这里插入图片描述在这里插入图片描述

八、训练技巧

Label Smoothing
Warm Up
DeepLearing—CV系列（十五）——目标检测中的Data Augmentation、Backbone、Head、Neck、Loss Function的汇总
wa1tzy的博客
06-27 1071
文章目录一、数据增强方式二、解决数据不均衡三、常用backbone四、常用Head4.1 Dense Prediction (one-stage):4.2 Sparse Prediction (two-stage):五、常用neck5.1 Additional blocks:5.2 Path-aggregation blocks:六、Skip-connections七、常用激活函数和loss7.1 激活函数：7.2 loss：八、正则化和BN方式8.1 正则化：8.2 BN：九、训练技巧 一、数据增强方式
[改进]YOLO系列目录 | 改进包括Backbone、Neck、Head、注意力、Conv、损失函数和具体的场景应用等 | 手撕结构图 | 详细修改方式
静谧、淡雅
05-28 2397
YOLO系列 基础以及改进的方法 - 总目录
目标检测中常用的数据增强、backbone、head、neck、损失函数
chenchen186的博客
06-29 581
一、数据增强方式 random erase CutOut MixUp CutMix 色彩、对比度增强 旋转、裁剪 解决数据不均衡： Focal loss hard negative example mining OHEM S-OHEM GHM（较大关注easy和正常hard样本，较少关注outliners） PISA 二、常用backbone VGG ResNet（ResNet18，50，100） ResNeXt DenseNet SqueezeNet Darknet（Darknet19,53） Mobil
详解目标检测中的Neck
m0_49133355的博客
07-18 931
Neck的主要目的是生成特征金字塔，以便捕捉不同尺度的信息，从而提高检测性能。Neck模块在现代目标检测架构中扮演了重要角色，通过生成多尺度的特征金字塔，帮助网络更好地捕捉不同大小和形状的目标。下采样和上采样：Neck模块通常会进行特征图的下采样和上采样操作，以便更好地捕捉不同尺度的信息。提高特征表示能力：通过Neck模块，可以增强特征的表达能力，特别是对于小目标和复杂场景的检测。多尺度特征融合：Neck模块通过融合来自不同层次的特征，帮助网络更好地检测不同尺度的目标。目标检测中的典型架构。
Backbone、Neck、Head
qq_35627757的博客
10-01 991
Backbone 一般用于特征提取，如：VGG、ResNet、DenseNet、MobileNet、EfficientNet、CSPDarknet53、Swin-Transformer等。 Neck Neck用于对Backbone提取的特征图进行不同阶段的再处理。 Head Head负责通过Backbone提取的特征图预测目标的位置和类别。 ...
Backbone、Neck 和 Head
m0_59787404的博客
11-21 3983
目标检测网络的两个重要部分：Backbone和Detection head。 一、Backbone 通常，为了实现从图像中检测目标的位置和类别，我们会先从图像中提取出些必要的特征信息，比如HOG特征，然后利用这些特征去实现定位和分类。而在在深度学习这一块，backbone部分的网络就是负责从图像中提取特征，当然，这里提出的是什么样的特征，我们是无从得知的，毕竟深度学习的“黑盒子”特性至今还无法真正将其面纱揭开。 那么，如何去设计一个backbone去提取图像中的特征呢？ 从某种意义上来说，如何设计好的
[魔改]YOLOv10 目录 | 改进包括Backbone、Neck、Head、注意力、Conv、损失函数和具体的场景应用等 | 手撕结构图 | 全部代码+详细修改方式
静谧、淡雅
06-05 8228
YOLOv10的基础以及魔改的方法 - 总目录
YOLOv5改进总目录 | backbone、Neck、head、损失函数，注意力机制上百种改进技巧
kay_545
06-08 1329
解决Yolov5的RuntimeError: result type Float can‘t be cast to the desired output type long int 问题YOLOv5入门 | 环境配置模型训练完整教程（研0小白必备，手把手教学）YOLOv5入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】YOLOv5改进 | 注意力机制 | 理解全局和局部信息的SE注意力机制YOLOv5改进 | 注意力机制 | 用于移动端的高效坐标CA注意力机制YOLOv5
《YOLO11改进有效涨点》 专栏目录 | 目前已有100+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck等创新点改进【持续更新】
kay_545
11-04 9505
YOLO11改进专栏目录，YOLO11改进目录
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-26 10万+
YOLOv8是由Ultralytics开发的最先进的目标检测模型，推升了速度、准确性和用户友好性的界限。YOLO这一缩写代表“你只看一次”（You Only Look Once），通过在一次网络传递中同时预测所有边界框，提升了算法的效率和实时处理能力。相比之下，其他一些目标检测技术需要经过多个阶段或过程来完成检测。YOLOv8在流行的YOLOv5架构上进行了扩展，在多个方面提供了改进。
Color-Loss:Pytorch在“具有深度卷积网络的移动设备上的DSLR质量的照片”中实现色彩损失的实现
05-28
色差 PyTorch在实现色彩损失 包装要求 Python 科学的 麻木 火炬 使用范例 from color_loss import Blur , ColorLoss cl = ColorLoss () # rgb example blur_rgb = Blur ( 3 ) img_rgb1 = torch . randn ( 4 , 3 , 40 , 40 ) img_rgb2 = torch . randn ( 4 , 3 , 40 , 40 ) blur_rgb1 = blur_rgb ( img_rgb1 ) blur_rgb2 = blur_rgb ( img_rgb2 ) print ( cl ( blur_rgb1 , blur_rgb2 )) # gray example blur_gray = Blur ( 1 ) img_gray1 = torch . randn
深度学习图像算法中的网络架构：Backbone、Neck 和 Head 详解
weixin_37522117的博客
01-16 2750
摘要：深度学习在图像识别任务（如目标检测、图像分割）中广泛应用，其网络架构通常由Backbone、Neck和Head三部分组成。Backbone（如ResNet、VGG）负责提取多尺度图像特征；Neck（如FPN、PANet）进行多尺度特征融合，增强对不同尺寸目标的检测能力；Head则完成最终预测，输出分类结果或分割掩膜。这三部分协同工作，构成完整的图像处理流程，新方法的不断涌现持续提升着模型的精度和效率。理解这些组件的功能及其相互关系，有助于优化深度学习图像处理模型的设计。
【YOLOv5】Backbone、Neck、Head各模块详解
qq_44878985的博客
03-01 9万+
详解Yolov5原理及backbone、neck、head三个模块的作用及结构。
检测器backbone和neck哪个更重要，达摩院新作有不一样的答案
chenxiangrong的博客
02-11 1510
论文名称《GIRAFFEDET：一种heavy-neck的物体检测新范式》 论文地址：https://arxiv.org/pdf/2202.04256.pdf 摘要 在传统的目标检测框架中，模型从骨干提取深层潜在特征，然后由颈部模块融合这些潜在特征，捕获不同尺度的信息。由于目标检测的对分辨率的要求比图像识别的要大得多，因此骨干网的计算成本往往占据了大部分推理成本。这种重骨干的设计范式在传统图像识别往目标检测发展时遗留了下来，但这种范式并不是针对目标检测的端到端优化设计。在这项工作中，我们证明了这种范式确实只
【计算机视觉】目标检测主干网络（backbone）和颈部结构（neck）目录
F2ancisZ的博客
05-12 3552
目标检测的backbone和neck介绍和目录。
Yolov5代码解析(输入端、BackBone、Neck、输出端))
m0_62396648的博客
06-19 1万+
正负样本都是针对于算法经过处理生成的框，用于计算损失，而在预测过程和验证过程是没有这个概念的。正例用来使预测结果更靠近真实值的，负例用来使预测结果更远离除了真实值之外的值的。正负样本的比例最好为1：1到1：2左右，数量差距不能太悬殊，特别是正样本数量本来就不太多的情况下。如果负样本远多于正样本，则负样本会淹没正样本的损失，从而降低网络收敛的效率与检测精度。这就是目标检测中常见的正负样本不均衡问题，解决方案之一是增加正样本数。
深度学习backbone、neck、head等术语解释
zyb的博客
10-29 9909
backbone：主干网络，用来提取特征，常用Resnet、VGG等 head：获取网络输出，利用提取特征做出预测 neck：放在backbone和head之间，进一步提升特征的多样性及鲁棒性 bottleneck：瓶颈，通常指网络输入输出数据维度不同，通常输出维度比输入维度小很多 GAP：Global Average Pool全局平均池化，将某个通道的特征取平均值 Warm up：小的学习率先训练几个epoch，这是因为网络的参数是随机初始化的，一开始就采用较大的学习率容易数值不稳定 参考链接
深度学习中backbone、head、neck等概念
githubcurry
02-27 4880
主干网络一般不是我们自己设计的网络，因为这些网络已经证明了在分类问题上的特征提取能力是很强的，在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络，让网络的这两个部分同时训练，加载的backbone模型已经具有特征提取能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。bottleneck是瓶颈的意思，通常指的是网网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。
深度学习框架-Backbone汇总
David's Tweet
01-17 5万+
Backbone—— Neck —— Head 1.Backbone：翻译为骨干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。这些网络经常使用的是resnet VGG等，而不是我们自己设计的网络，因为这些网络已经证明了在分类等问题上的特征提取能力是很强的。在用这些网络作为backbone的时候，都是直接加载官方已经训练好的模型参数，后面接着我们自己的网络。让网络的这两个部分同时进...
GAM加入YOLOv8后对backbone，neck，head部分的改进
最新发布
06-17
根据用户的问题，需要具体分析GAM加入YOLOv8后对backbone、neck和head部分的影响。同时，用户提供了几个引用，其中提到了YOLO系列的各种改进，包括检测头、主干网络等，我们可以参考这些改进的思路。首先，了解GAM：...
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