Objects as Points

Objects as Points 解读 Objects as Points 2019 Xingyi Zhou, Dequan Wang, Philipp Krahenb ¨uhl 我们在对象的边界框中心用一个点表示对象(参见图2),然后直接从中心位置的图像特征返回其他属性,如对象大小、尺寸、3D范围、方向和姿态。目标检测是一个标准的关键点估计问题。将图像输入到一个完全卷积网络中生成一个热图,热图的峰值对应对象的中心。每个峰值的图像特征预... 阅读详情

在这里插入图片描述

code

概述


  • 要解决的问题
    • One-stage anchor-free object detection
  • 采用的方法
    • 构建模型时将目标作为一个点——即目标BBox的中心点。我们的检测器采用关键点估计来找到中心点,并回归到其他目标属性,例如尺寸,3D位置,方向,甚至姿态
  • 结果如何
    • MS COCO dataset, with 28.1% AP at 142 FPS, 37.4% AP at 52 FPS, and 45.1% AP with multi-scale testing at 1.4 FPS

细节


  • 1、input&output
    输入是 I ∈ R W ∗ H ∗ 3 {I\in R^{W*H*3}} I∈RW∗H∗3,输出则是 Y ^ ∈ [ 0 , 1 ] W S ∗ H S ∗ C \hat{Y}\in[0, 1]^{\frac{W}{S}*\frac{H}{S}*C} Y^∈[0,1]
Objects as Points论文总结 1、下采样4倍得到一个低分辨率的图,在这个图上来定义关键点而后生成heatMap 2、返回原图的中心点会因为输出步长的量化导致偏移,预测一个偏移量来弥补 3、能够用简单的方法来代替目前复杂的目标检测方法是一个质的飞越。 4、以往的目标检测模型大多数是不可端到微分的不可训练的,那什么情况下是可微分的可训练的呢? 5、为什么图像的特征可以回归出图像的坐标呢,如果直接回归肯定是不可以的。 6、使用二维联... 阅读详情

相关推荐

论文学习:《Objects as Points》

被大佬安利了这篇论文,花了整整一天的时间学习这篇论文,感觉非常妙。记录一下学习笔记,先推荐两篇个人觉得讲的非常好的文章,以下笔记有些内容摘自这里: [1]https://zhuanlan.zhihu.com/p/66048276 [2]http://www.tensorinfinity.com/paper_189.html [3]https://blog.youkuaiyun.com/c20081...

weixin_42214565的博客 1022

阅读心得:CenterTrack:Tracking Objects as Points

CenterTrack阅读心得

5942

论文笔记:Objects as Points(CenterNet)

论文笔记:CenterNet 简介 以往的检测方法很多都是找到一大堆潜在目标的位置并且逐一分类,效率很低,本文提出的方法是通过关键点估计来找到目标中心点并且回归出目标的所有属性(包括offset、检测框尺寸、类别等等)。通过一个全卷积神经网络,生成一个heatmap,找到这个heatmap的峰值就是物体的中心。这个方法同时也可用于人体关键点检测和单目深度估计。 方法 简单来说,就是通过一个全卷积...

weixin_39952791的博客 485

CenterNet(objects as points)算法总结:Mimic、DCNv1、DCNv2、DLA

DCNv1 参考文章:https://zhuanlan.zhihu.com/p/37578271 主要思路:卷积操作不是在规规矩矩的3x3的格子里做了,而是有了种种偏移。 deformable convolution在特征图的每个位置都生成一组偏移量。以kernel=3x3为例,图中的N就是9,经过卷积后输出HxWx18的feature map,每个location位置的18分别对应3x3卷积...

qq_38109843的博客 2035

姿态估计Bottom-up系列中的Grouping方式四:Objects as Points

原文:Objects as Points 代码:xingyizhou/CenterNet Abstract 略 Introduction 略 Related work 略 Preliminary 假设 I∈RH×W×3I \in \mathbb{R}^{H \times W \times 3}I∈RH×W×3 是一个高H宽W的图像输入。我们的目标是生成一张heatmap Y^∈[0,1]HR×WR×C\hat{Y} \in[0,1]^{\frac{H}{R} \times \frac{W}{R} \

ming6383的博客 2761

Anchor-free Object Detector综述(不定时更新)

DenseBox (2015) (https://arxiv.org/abs/1509.04874) densebox最早提出来是用来检测人脸的, 其有两个主要贡献, 第一是提出使用一个完整的FCN来预测box而不需要预先的proposal, 而且是end2end的训练过程; 第二是提出了用目标上已有的关键点信息来辅助box的定位. 为了节省训练时间, densebox没有直接把一整张图片都丢进...

Matthew技术小站 5035

目标检测模型及其优化方法

目标检测现况 两阶段、单阶段。 新:对象关键点: [11] Law H, Deng J. CornerNet: Detecting objects as paired keypoints. In: Proceedings of the 2018 European Conference on Computer Vision (ECCV). Munich, Germany: Springer, 2018. 765−781 [12] Zhou X Y, Zhuo J C, Krähenbühl

LinChienHsiang 1024

Formality:不可读(unread)状态的传递性与验证策略

本文深入解析了数字IC形式验证工具Formality中的“不可读”(unread)状态。文章阐述了该状态的定义、成因及其关键的传递性特性,并通过触发器链等案例展示了其多米诺骨牌效应。同时,提供了使用`report_unread_endpoints`等命令的诊断方法,以及通过设置`verification_verify_unread_compare_points`变量或`set_constant`命令来调整验证策略的实战技巧,帮助工程师有效区分设计冗余与潜在问题。

weixin_29297127的博客 426

【目标检测】《Objects as Points》论文阅读笔记

粗读一遍,后续会看看大佬写的,然后重新读下论文,再补充。 1.摘要 通过对预测框的坐标(关键点)进行模拟,训练得到的模型。是一种比较经典的anchor free的检测方法。能够方便的运用到3D定位、方向、甚至是姿态识别中。 2.介绍 介绍中主要说明,这篇文章把检测坐标框的预测,转变为坐标框中心点坐标的预测。较快应用到其他的任务中。而且速度非常快。 并提供其代码:xingyizhou/CenterNet 3.相关工作 (1)区域分类:初期刚出现检测任务时,通过分配较多的候选框,对候选框中的内容进

聿默的博客 1801

Loss:Objects as Points

Objects as Points方法解析

sinat_39783664的博客 204

机器学习笔记 - 目标检测网络CenterNet

CenterNet是在2019年论文Objects as points中提出,相比yolo,ssd,faster_rcnn依靠大量anchor的检测网络,CenterNet是一种anchor-free的目标检测网络,在速度和精度上都比较有优势,值得学习下。 CenterNet是一种无锚对象检测架构。 这种结构的一个重要优势在于它在后期处理中用一种更优雅的算法取代了经典的 NMS(非最大抑制),这对于 CNN 流程来说是很自然的。 这种机制可以实现更快的推理。

学以致用 知行合一 2103

锚点机制在目标检测领域的发展综述

首先回顾anchor策略提出的背景及原理,介绍基于优化anchor设置的目标检测模型,总结anchor机制存在的问题,引出无锚点(anchor-free)系列模型。在基于关键点的anchor-free模型中,按照检测思路分为基于特定位置关键点的检测器和结合中心关键点回归预测的检测器,分类总结算法的优缺点和使用范围,结合COCO数据集上的检测指标进一步对比。中心置信度描述的是某一位置到该位置到其所属目标中心的距离。模型在特征图的每个位置输出其为目标中心点的概率、回归目标尺度、偏移量等信息进行边框的预测。

weixin_70923796的博客 848

论文精读——CenterNet _Objects as Points - c20081052的专栏 - 优快云博客.pdf

论文精读——CenterNet _Objects as Points - c20081052的专栏 - 优快云博客

【PLC】三菱plc控件安装 component Movedata had the following error ... Error Number:-119

Windows 10 专业版/企业版本版本号:22H2操作系统内部版本:19045.3448。

少莫千华 8001

stm32h743的hrtim使用生成pwm波

HRTIM(High-Resolution Timer)是一种高精度定时器,其时钟频率可直接与CPU主频同步,达到480MHz。相比之下,其他传统定时器需挂载在APB总线上,受总线频率限制,最高仅支持240MHz。这种直接时钟同步机制显著提升了定时器的分辨率和精度。

d13211322的博客 1610

告别‘Duang’的一声:手把手解决RK3588开发板PCIe初始化卡死问题(DTS修改实战)

本文详细介绍了解决RK3588开发板PCIe初始化卡死问题的完整过程,包括问题诊断、DTS文件修改及编译烧写步骤。通过禁用未使用的PCIe硬件资源,有效解决了启动卡死问题,为嵌入式开发者提供了实用的调试方法和经验总结。

weixin_30753873的博客 214

Qt 插件开发 plugin 超详细 有源码

Qt 插件化开发框架类似于前后端的微服务的场景,授权哪个微服务则前端可以使用哪个微服务,插件就行硬件插卡一样,可以被随时删除、插入和修改,所以结构很灵活,容易修改,方便软件的升级和维护;插件主要面向接口编程,无需访问.lib文件,热插拔、利于团队开发。即使在程序运行时.dll不存在,也可以正常启动,只是相应插件功能无法正常使用而已;动态库需要访问.lib文件,而且在程序运行时必须保证.lib存在,否则无法正常启动;

q610098308的专栏 6545

Welch 方法详解:一种经典而实用的功率谱密度估计方法

在信号处理领域,谱分析是用于分析信号频率内容的强大工具。Welch方法是现代谱分析中一种广泛使用的功率谱密度估计技术,由Peter D. Welch在1967年提出。它通过对信号进行分段、加窗和平均化处理,提供了一种平滑且稳定的频谱估计方法。Welch方法通过将信号分成多个重叠的段,每段应用窗函数,然后计算每段的周期图,最后对所有周期图进行平均化,得到平滑的功率谱密度估计。welch_psd函数接收信号x、采样频率fs、每段的样本数N、重叠样本数overlap和窗函数类型window。

DuHz的博客 7042

微信公众号 - 最新详细实现H5网页接入微信支付功能,开发移动端、PC端网站集成使用微信支付流程及示例代码,公众号网页利用JS-SDK/JSAPI/H5支付授权唤起微信支付,可脱离微信环境支付或内置浏

微信公众号,微信支付,网页,移动端,h5,扫码支付,二维码付款,手机网页,电脑pc网页生成支付二维码,js-sdk,jsapi,外部浏览器调起微信支付,脱离微信环境,在微信内置浏览器如何进行微信支付,前端H5微信支付,web网站,vue2,vue3,nuxt2,nuxt3,jquery,微信公众号h5支付流程,如何实现,怎么做,回调报错,redirect_uri参数错误,必须部署才能调试吗,怎么不打包发布就能在本机测试,微信H5支付能力,uniapp微信支付,h5页面调起支付,支付没反应,无效,失败,H5页

🏆 前端领域优质创作者 6102

[RAM] DRAM 导论:DDR4 | DDR5 | LPDDR5 | GDRR6 | HBM 应运而生

有数据的地方就有存储, 内存是谁都离不开的产品。而动态随机存取存储器(DRAM)作为一种常见的内存。本博客将介绍DRAM的基本概念、工作原理、优缺点以及应用领域等方面。

串起点滴 3917

如何从 VMware 官网下载最新版本的 VMware Workstation

如何从 VMware 官网下载 VMware Workstation

XiaoqiangClub的博客 5888

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: 【FCOS】:Fully Convolution One-Stage Object Detection
下一篇: Cascade network——multi-stage refinement
One__Coder
博客等级 码龄10年 59粉丝 55原创
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
 
 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