CVPR2019(FSAF)Feature Selective Anchor-Free Module实验设计

最新推荐文章于 2022-07-23 23:11:01 发布
原创 最新推荐文章于 2022-07-23 23:11:01 发布 · 556 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：

#CVPR2019 #论文阅读

论文提出FeatureSelectiveAnchor-Free(FSAF)模块，改进单次目标检测，通过在线学习选择不同大小实例的最佳特征层，提升RetinaNet等模型在COCO数据集上的表现，尤其改善小、窄物体的检测效果。

论文《Feature Selective Anchor-Free Module for Single-Shot Object Detection》（CVPR2019）

论文的主要贡献在特征金字塔的基础上，提出Feature Selective Achor-Free Model ，通过学习的方式，对不同大小的实例，选择不同level的特征，来解决启发式特征选择的弊端。

本文主要记录论文的实验设计

1.数据集

论文的实验都是在coco数据集上进行的。

2.Ablation Studies（消融实验）

数据：training and test 图像都是 800pixels

1.评估Anchor-Free branches

整体思路是Anchor-based VS Anchor-free（又包括启发式特征选择vs在线特征选择）。最终比较结果是Mix好，也就是Anchor-based+Anchor-Free(在线特征选择)。

又通过图片结果，直观的展示了提出的FSAF比RetinaNet（Anchor-based）能更好的检测难检测的物体（如小，窄物体）。

2.评估在线特征选择

比较Anchor-Free的两种特征选择策略：启发式VS在线学习式，（Anchor-based+启发式）VS（Anchor-based+在线式）

结果是在线特征选择对于anchor-based+anchor-free有益

然后论文可视化地比较了Anchor-based提取的特征level和Anchor-Free提取的特征level

3.FSAF适用于现有的网络框架

在ResNet50，ResNet-101，ResNeXt-101上比较RetinaNet（Anchor-based）、FSAF、Anchor-based+FSAF

3.Comparison to State of the art(与现有方法比较)

比较工作分别在单尺度和多尺度两个方面进行。与现有的single-shot和multi-shot比较

 

 

可以看出，在同样以resNet-101为backbone network时，论文在多尺度上的结果已经超过了Multi-shot。

最后呢，在ResNeXt-101上也超过了目前最好的GHM800

 

Feature Selective Anchor-Free（FSAF）
dekiang
10-18 787
目录1. 出发点2. FSAF的思想3. FSAF原理详解3.1 how to create the anchor-free branches in the network3.2 how to generate supervision signals for anchor-free branches3.3 how to dynamically select feature level for each instance3.4 how to jointly train and test anchor-fre
论文解读-Feature Selective Anchor-Free Module for Single-Shot Object Detection
热门推荐
为之则易，不为则难
03-10 1万+
文章目录1 背景知识2 动机 最近部分cvpr2019的论文出来了，为了能对目标检测方向的前沿算法有更多理解，笔者趁着周末，仔细阅读了Carnegie Mellon University的这篇文章。之所以选择这一篇，一是因为标题中有"Anchor-Free"，立即引起了笔者的兴趣，毕竟大部分的目标检测算法还是基于Anchor的，二是论文的第二作者是Yihui He，他在模型剪枝方向做的非常不错，...
【论文学习】目标检测 —— FCOS：CVPR 2019关于one-stage和anchor-free最新实用算法
Lingyun
06-29 1648
Paper：FCOS: Fully Convolutional One-Stage Object Detection，CVPR 2019 URL: https://arxiv.org/pdf/1904.01355.pdf Code is available at: tinyurl.com/FCOSv1 这篇文章是单阶段的目标检测算法，基于anchor-free思想，效果非常好，达到4...
Feature Selective Anchor-Free Module for Single-Shot Object Detection
weixin_36670529的博客
07-23 772
摘要 提出了一种简单有效的单阶段目标检测模块——特征选择无锚定(FSAF)模块。它可以插入到具有特征金字塔结构的单阶段检测器中。FSAF模块解决了传统基于锚点检测的两个局限性： 1)启发式引导的特征选择； 2)基于覆盖锚取样； FSAF模块的总体思想是将在线特征选择应用于多层无锚分支的训练。具体来说，一个无锚的分支被附加到特征金字塔的每一层，允许在任意一层以无锚的方式进行框编码和解码。在训......
[目标检测]-CVPR2019-FSAF | Feature Selective Anchor-Free Module for Single-Shot Object Detection
weixin_42096202的博客
04-07 1339
.arxiv: https://arxiv.org/abs/1903.00621 最近在实验室组会上分享了这篇CVPR19最新的目标检测方面的论文，结合自己在这个领域的研究对篇论文做一下简单解读： 1.前言 自从深度学习技术应用到目标检测领域之后，先后出现了许多经典之作，其中双阶段的RCNN和单阶段的SSD方法最为经典，在这两种方法的基础上，先后衍生出了Faster-RCNN，R-FCN和Ret...
FSAF:Feature Selective Anchor-Free Module for Single-Shot Object Detection笔记
weixin_44369518的博客
04-02 372
论文地址: https://arxiv.org/abs/1903.00621. 作者在B站解读视频：https://www.bilibili.com/video/av49972561/. 先看看效果，我们提出的特征选择无锚点模块(FSAF)应用在单阶段检测器RetinaNet上，使用ResNeXt-101在COCO数据集上达到单阶段SOTA，map提升了1.8%仅多用了6ms。如图，FSAF对小...
精选资源
cvpr2019_Pyramid-Feature-Attention-Network-for-Saliency-detection:显着性检测的金字塔特征选择网络的代码和模型
05-11
cvpr2019_金字塔特征注意网络以进行显着性检测 赵婷和吴相干撰写的CVPR 2019论文“用于显着性检测的金字塔特征注意网络”的源代码。 （ ） 下载显着性地图 为了方便起见，我们提供了本文中使用的基准数据集的显着...
Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读翻译 - 2019CVPR
深度检测的博客
09-17 518
Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读翻译 文章目录Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读翻译一、Abstract二、Introduction三、Feature Selective Anchor-Free Module3.1 Network Architecture3.2 Ground-trut
Anchor-free目标检测系列14：Feature Selective Anchor-Free Module for Single-Shot Object Detection
Sesen的木屋
08-15 390
Feature Selective Anchor-Free Module for Single-Shot Object Detection (CVPR2019)​​（anchor-based+anchor-free） 论文FSAF直接将anchor-free写入论文名字，提出一种简单有效的方法，叫做无anchor特征选择...
FSAF:在Keras和Tensorflow中实现FSAF（用于单发对象检测的功能选择性无锚模块）
05-01
FSAF 这是在keras和Tensorflow上的实现。 该项目基于和fsaf分支。 感谢您的辛勤工作。 正如作者所写， FASF模块可以平稳地插入任何具有FPN式结构的单发检测器中。 我也尝试过 。 无锚的yolo3（带有FSAF）的性能可与基于锚的yolo3媲美。 但是，您无需再预先计算锚点大小。 它比基于视网膜网的浏览器更好，更快。 更新 [03/05/2020]该论文的作者发布了一篇新文章 ，它是基于FSAF的。 我已经在实现了它。 测试 我在Pascal VOC2012 trainval.txt + Pascal VOC2007 train.txt上进行了培训，并在Pascal VOC2007 val.txt上进行了验证。 有用于训练的14041张图像和用于验证的2510张图像。 VOC2007测试的最佳评估结果（score_threshold = 0.05）为： 骨
k2:FSAFST算法，可区分，具有PyTorch兼容性
03-19
22 k2的愿景是能够将有限状态自动机（FSA）和有限状态换能器（FST）算法无缝集成到基于Autograd的机器学习工具包中，例如PyTorch和TensorFlow。对于语音识别应用程序，这应该易于插值和组合各种训练目标，例如交叉熵，CTC和MMI，并通过包括格码记录和置信度估计在内的多个解码通道共同优化语音识别系统。我们希望k2也将有许多其他应用程序。 我们希望在短期内提高效率的关键算法之一是修剪带有“密集” FSA的通用FSA的组合（即，一种对应于神经网络输出处的符号的对数概率的算法）。这可以用作ASR以及CTC和LF-MMI培训的解码的快速实现。与现有技术相比，这在字错误率方面没有直接优势；但关键是要在更通用，更可扩展的框架中执行此操作，以允许进一步开发ASR技术。 执行 我们实施策略的几个关键点。 大多数代码使用C ++和CUDA。我们实现了一个模板化的类Ragged ，它非
【目标检测】9、Feature Selective Anchor-Free Module for Single-Shot Object Detection
呆呆的猫的博客
04-24 3056
摘要 本文建立了一个“无锚点特征选择模型”（feature selective anchor-free，FSAF），是一个简单有效的针对单目标检测的模块。 可以探入具有特征金字塔结构的单目检测器 FSAF模型打破了一般的基于anchor的目标检测的缺陷： 启发式引导特征选择 overlap-based锚点采样 FSAF模型的一般机制：将在线特征选择应用于多级无锚点分支的训练 无锚点分支和特征金.........
FSAF-Feature Selective Anchor-Free Module for Single-Shot Object Detection
蘑菇菌的博客
07-05 472
background 在single-stage模型中，通常定义一系列不同宽高比的、稠密的、均匀分布的anchor-box，这些anchor-box会根据其不同的尺寸大小和不同的feature map联系起来。 以FPN为结构的检测器中，anchor-box分配到对应的 ground-truth 方式如下： 将FPN 上所有feature map的所有 anchor-box 与图像中的 gr...
论文阅读：FSAF：Feature Selective Anchor-Free Module for Single-Shot Object Detection
j879159541的博客
11-22 584
文章目录1、论文总述 2、Ground-truth和loss的设计3、Online Feature Selection4、与其他网络算法性能对比5、Visualization of online feature selection from anchor-free branches参考文献 1、论文总述 这篇论文提出了一个anchor-free的模块FSAF，它也有分类分支和回归分支，并分配了...
论文阅读 FSAF：Feature Selective Anchor-Free Module for Single-Shot Object Detection
zero
05-16 756
链接：https://www.cnblogs.com/fourmi/p/10602936.html 摘要 本文提出了基于无anchor机制的特征选择模块，是一个简单高效的单阶段组件，其可以结合特征金字塔嵌入到单阶段检测器中。FSAF解决了传统基于anchor机制的两个限制:(1)启发式的特征选择（2）基于重叠的anchor采样。FSAF的通用解释是将在线特征选择应用于与anchor无关的分支的训练...
FSAF-Feature Selective Anchor-Free
s6977880的专栏
07-23 292
《Feature Selective Anchor-Free Module for Single-Shot Object Detection》是由Carnegie Mellon大学Chenchen Zhu等提出的自动选择合适的尺度以及无anchor的目标检测方法。实验对比图如下 从上图可以看出，加了FSAF模块的RetinaNet，能把一些长宽比比较悬殊的目标检测出来。为什么加入了FSAF模块可...
YOLOv6 anchor-free OD
最新发布
03-14
### YOLOv6 无锚点目标检测方法及其实现 YOLOv6 是一种高效的实时目标检测框架，其核心改进之一在于采用了 **anchor-free** 方法。相比于传统的有锚点（anchor-based）模型，无锚点设计简化了训练过程并提高了推理速度。 #### 1. Anchor-Free 原理概述 在传统的目标检测算法中，如 Faster R-CNN 或早期版本的 YOLO (e.g., YOLOv3)，通常会预先定义一组固定大小和比例的候选框（anchors）。这些 anchors 被用来匹配真实标签中的边界框，从而指导网络学习如何预测物体的位置和类别。然而，这种机制存在一些缺点，比如需要手动调整 anchor 参数以及可能引入额外计算开销。 相比之下，YOLOv6 使用了一种更简洁的方法——即完全抛弃预设的 anchors[^4]。具体来说： - 每个像素位置都被视为潜在的对象中心； - 对于给定图像上的某个特定区域，如果该区域内确实存在对象，则由最近邻的那个网格单元负责预测此对象的相关属性（包括分类得分、偏移量等信息）；反之亦然。 这种方法不仅减少了超参数调优的工作量，还使得整个流程更加直观易懂。 #### 2. 关键技术细节 ##### （a）任务解耦化 为了进一步提升精度表现同时保持高效运行时间特性,YOLOv6 还实现了所谓的"task decoupling",即将原本紧密联系在一起的任务分开处理: - 分类分支(Classification Branch):专注于判断当前候选区属于哪一类别的可能性; - 定位回归分支(Regression Branch):专门用于估计实际边界的坐标值相对于默认设置之间的差异. 通过这种方式,可以分别优化不同方面的性能指标而不会相互干扰.[^5] ##### （b）空间变换采样(Spatial Transformation Sampling) 借鉴自其他研究工作成果[Yang et al., CVPR'17],提出了可微分的空间转换操作方案.The sampling methodology described in the spatial transformation gives a differentiable sampling mechanism allowing for loss gradients to flow back to the input feature map and the sampling grid coordinates.[^3]. 此外，在实践中发现利用双线性插值法能够有效改善最终效果质量。 ##### （c）损失函数设计(Loss Function Design) 针对上述提到的新架构特点重新定制适合它们使用的代价衡量标准非常重要。因此采用如下组合形式作为总成本组成部分： - Focal Loss:解决样本不平衡问题的有效手段之一. - GIoU Loss :相较于原始IOU度量更能反映两矩形间相对关系变化趋势的信息. ```python import torch.nn as nn class YOLOv6Loss(nn.Module): def __init__(self): super(YOLOv6Loss, self).__init__() self.focal_loss = ... # Define focal loss here self.giou_loss = ... # Define giou loss here def forward(self, pred_cls, pred_box, true_cls, true_box): cls_loss = self.focal_loss(pred_cls, true_cls) box_loss = self.giou_loss(pred_box, true_box) total_loss = cls_loss + box_loss return total_loss ``` #### 3. 实现注意事项 当尝试自己动手构建类似的系统时需要注意几个要点: - 数据增强策略的选择对于提高泛化能力至关重要 ; - 需要仔细调试各个子模块间的权重平衡系数以获得最佳整体效能 ; - 如果硬件资源允许的话 , 可考虑增加更深更大的骨干网结构来获取更高分辨率特征表示 .
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