HyperNet, RON, FPN

最新推荐文章于 2022-11-07 13:47:42 发布

原创

最新推荐文章于 2022-11-07 13:47:42 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

该文主要探讨了HyperNet如何通过融合不同层级特征进行准确的区域提议生成和联合目标检测。同时提到了RON的反向连接机制，用于多尺度对象定位，以及FPN的特征金字塔网络在对象检测中的作用。文章还提及了RON的负样本挖掘和对象性先验，以减少搜索空间。

HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
这里写图片描述
主要是融合了不同层级的特征，比较容易理解，参考：
https://blog.youkuaiyun.com/u012905422/article/details/52614192
https://blog.youkuaiyun.com/u012361214/article/details/51374012

其中3.5. Speeding up的问题其实就是rfcn和Light head解决的问题，即把更多的计算量移动到roi pooling前面，以使得RoI之间尽可能的共享计算。

RON: Reverse Connection with Objectness Prior Networks for Object Detection
(a) multi-scale object localization
reverse connection, which enables the network to detect objects
on multi-levels of CNNs
这里写图片描述

个人感觉和FPN的路子很像。

(b) negative sample mining

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Wayne2019

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

计算机视觉论文总结系列（一）：目标检测篇

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

03-23

8843

本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除

【第36篇】CenterNet++ 用于对象检测

AI浩

05-07

1743

CenterNet++ 用于对象检测论文：https://arxiv.org/abs/2204.08394 摘要目标检测有两种主流：自顶向下和自底向上。最先进的方法大多属于第一类。在本文中，我们证明了自下而上的方法与自上而下的方法一样具有竞争力，并且具有更高的召回率。我们的方法名为 CenterNet，将每个对象检测为三个关键点（左上角和右下角以及中心关键点）。我们首先通过一些设计的线索对角进行分组，并通过中心关键点进一步确认对象。角关键点使该方法能够检测各种尺度和形状的对象，中心关键点避免了大量假阳

参与评论您还未登录，请先登录后发表或查看评论

hyper-net、ion、skip connection、fpn

weixin_33843409的博客

07-10

465

resnet的skip connection用的也是eltwise相加 fpn的浅层和高层融合用的eltwise相加 hyper-net和ion都是使用的concat的方式 hyper-net网络结构 https://blog.youkuaiyun.com/qq_35608277/article/details/80432907 LRN是必要的，因为不同层的feature resolution ...

论文笔记 HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

xiaoxiang_AQ 的博客

09-21

5359

提出的HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hyper特征同时具有足够深和很好的语义信息，在PASCAL VOC 2007和2012上可以通过每张图产生仅仅100个proposal，而达到很好的精度和效果，同时可以达到实时，GPU下 5 fps的速度。Hyper方法主要的贡献有：（1）在仅仅 50 proposal情况下，可达

HyperNet:适用于ResNet的HyperNetworks的PyTorch实施（Ha等人，ICLR 2017）

03-19

超网络适用于ResNet的PyTorch实施（Ha等人，ICLR 2017）。该代码主要用于CIFAR-10和CIFAR-100，但是将其用于任何其他数据集都非常容易。将其用于不同深度的ResNet架构也非常容易。我们使用pytorch闪电来控制整个管道。怎么跑 python train.py --dataset {cifar10/cifar100} --gpus $num_gpu -j $num_workers --distributed_backend ddp 已过期。此回购协议已将HyperNet修改为逐层实施，使用起来更加方便。需要注意的是，我们发现尽管作者设置了in_size和out_size 。实际上，您应该将in_size和out_size设置为16，否则将失败。

hypernet-hypertraining:通过超网络进行随机超参数优化的代码

05-14

通过超网络进行随机超参数优化该存储库包含用于通过超网络在随机超参数优化中运行实验并生成论文的代码。该文件也位于。入门可以使用以下方式将存储库复制到本地计算机： git clone https://github.com/lorraine2/hypernet-hypertraining.git 前提条件和安装为了进行实验，您必须下载以下依赖项（requirements.txt随附）： Autograd - pip install autograd Matplotlib - pip install matplotlib Scikit Learn - pip install scikit-learn 或从主目录内部使用requirements.txt： pip install -r requirements.txt 运行实验 code/目录包含用于实验的代码。尝试从code/

多尺度R-CNN论文笔记(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

Solomon1558的专栏

05-31

2450

前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。 R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展，细分为概述性文章和论文阅读笔记。转载请注明文章出处: 论文HyperNet: Towards Accurate R

Faster R-CNN改进篇（二）： RFCN ● RON

跟随技术的脚步-linolzhang的专栏

07-15

1万+

@改进1：RFCN 论文：R-FCN: Object Detection via Region-based Fully Convolutional Networks 【点击下载】 MXNet代码：【Github】一. 背景介绍 RCNN 在目标检测上取得了很大的成功，比如 SPPnet、Fast R-CNN、Faster R-CNN 等，这些方法的典型特征

论文阅读-《RON-Reverse Connection with Objectness Prior Networks for Object Detection》

yj_isee的博客

07-15

5487

CVPR 2017 孔涛..HyperNet作者0.Motivation结合region-based的目标检测方法和region-free的目标检测方法。主要关注两个问题： 1）多尺度目标定位 2）负样本挖掘1.Contribution1）对于多尺度定位，作者提出了reverse connection，类似FPN，增强了low level feature map的语义信息，提高了小目标检测

HyperNet: 走向特征融合，提高小物体检测精度

weixin_45564943的博客

12-16

4658

目录 1.背景： 2.结构图： 3.优点 4.加速策略： 5.产生优异效果： 6.轻量化方法： 1.背景：卷积神经网络的特点是，深层的特征体现了强语义特征，有利于进行分类与识别，而浅层的特征分辨率高，有利于进行目标的定位。原始的Faster RCNN方法仅仅利用了单层的feature map（例如VGGNet的conv5-3），对于小尺度目标的检测较差，同时高IoU阈值时，边框定位的精度也不高。在2016 CVPR上发表的HyperNet方法认为单独一个feature ...

HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

cv_family_z的博客

04-12

3846

提出了一种Proposal提取和目标检测一体的网络，Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙，在小目标及大IOU阈值情况下的检测率低。论文提出了HyperNet，综合低层，中间层和高层特征获得了较高的recall率。HyperNet的示意图如下所示: HyperNet网络结构先将全图送入卷积层生成激活图，累积多层特征图压缩至归一化空间，即Hyper特征，之后pr

模糊度判断：史上最详细图像质量评价（IQA）-hypernet网络详解--第四节

xingjh1的博客

08-04

2238

模糊度判断：史上最详细图像质量评价（IQA）-hypernet网络详解--第四节

目标检测中的多尺度特征

dekiang

11-06

1万+

目录1. 图像金字塔（image pyramid）1.1 多尺度训练/测试（multi-scale training/testing）1.2 SNIP（Scale Normalization for Image Pyramids）2. 特征金字塔（feature pyramid）2.1 直接的多尺度特征预测2.2 多尺度特征融合+单尺度特征预测2.3 多尺度特征融合+多尺度特征预测目标检测中最具挑战性的问题就是目标的尺度变化问题（scale variance）。在目标检测中，物体的形状和尺寸大小不一，甚

FPN解读

热门推荐

Sundrops的专栏

11-29

2万+

前两篇博客中都说到了FPN这个神器，今天就花了点时间看了下这篇论文，喜欢这个很赞很干净的结构。

HybridNets: End-to-End Perception Network

Jad_Goh的博客

11-07

2878

HybridNets的重要内容翻译。其主要改进点为：主干网络替换为EfficientNet-B3；颈部网络替换为BiFPN；分割损失修改为Focal损失+Tversky损失；后者可以改善类别不平衡问题。

HyperNet论文原理理解

qq_35608277的博客

05-24

1万+

https://blog.youkuaiyun.com/u012361214/article/details/51374012 https://www.cnblogs.com/zhoulixue/p/6700038.html https://blog.youkuaiyun.com/linolzhang/article/details/74159463

论文笔记 | HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

bea_tree的博客

07-04

5334

作者 Tao Kong Anbang Yao Yurong Chen Fuchun Sun 摘要本文提出了一种HyperNet，同时用于处理region proposal和object detection。Hyper特征是将各层featuremaps的特征聚集然后统一到一个空间。在cpu上处理速度是5fps。 1 Introduction 首先说了Rcnn 到Faster

[论文阅读]HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

沅晨的小屋

05-11

1万+

本文是今年cvpr的一篇spotlight，也应该是目前为止faster rcnn所有变种中最好的一个。文章传送门：点击打开链接和之前的RCNN以及之后的一些变种一样，本文也是region-based object detection framework。相比与faster rcnn，hypernet更擅长处理小物体，并且产生更高质量的proposal。

论文阅读 R-FCN: Object Detection via Region-based Fully Convolutional Networks

复兴之矢

02-24

1521

本文转载自： http://www.cnblogs.com/lillylin/p/6277094.html R-FCN论文阅读（R-FCN: Object Detection via Region-based Fully Convolutional Networks ）目录作者及相关链接方法概括方法细节实验结果总结参考文献

Tensorflow实现FPN目标检测框架详解

FPN（Feature Pyramid Network）是一种在计算机视觉领域中用于目标检测的技术，由T.-Y. Lin等人于2017年提出。FPN能够高效地构建具有丰富语义信息的特征金字塔，对于检测小物体和解决不同尺度问题具有显著效果。...