【学习-目标检测】目标检测之—FPN+Cascade+Libra

最新推荐文章于 2024-04-12 14:00:00 发布
原创 最新推荐文章于 2024-04-12 14:00:00 发布 · 3.7k 阅读 · 2 ·
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：

#目标检测 #学习 #libra #Cascade #FPN

FPN通过多尺度特征融合提升目标检测性能，RoIAlign确保精确区域采样。CascadeRCNN引入级联结构优化阈值，提升训练效果。Libra则关注采样平衡和损失函数优化，解决特征利用和训练不平滑问题。

文章目录

FPN-多尺度

在这里插入图片描述
FPN相比faster RCNN,在特征提取和训练的过程中考虑到多尺度的问题，使用不同尺度上的特征并进行充分融合，得到最终多个层级的预测结果。
从上图中可以看到，在图像进入backbone进行特征提取后，分别在C2\C3\C4\C5四个尺度上继续1x1特征提取和组合，最终进行四个尺度的预测输出。其中在每一个环节中的输出有1*1conv进行通道调整和上采样进行特征融合。

FPN整体结构

在这里插入图片描述
从上图的结果可以看到：

  1. backbone提取特征通过FPN得到四个维度的输出（特征图）
  2. RPN在FPN输出特征基础上生成anchor并进行采样
  3. ROI Align将ROI 生成区域分配到对应特征层并进行降维和训练，得到最终预测结果。

FPN的RoI Align

在这里插入图片描述
分配方法

最低0.47元/天 解锁文章
【计算机视觉】基于深度学习的目标检测模型汇总简记
08-29
重点详述了R-CNN系列（包括R-CNN、SPPNet、Fast R-CNN、Faster R-CNN、Mask R-CNN、Cascade R-CNN）、FPN、Libra R-CNN、Grid R-CNN等两阶段检测器，以及YOLO系列（YOLOv1至YOLOv5）、SSD、RetinaNet等一阶段检测器...
目标检测YOLO实战应用案例100讲-水下图像增强与水下生物目标检测
qq_36130719的博客
09-15 1364
随着海洋环境的不断变化，海洋环境的水下目标检测技术得到了日益普遍的 重视。其工作内容包括：安装水下电缆、海底石油钻井工程的建造和维修、打捞水 底沉积物、捕捞海洋生物、海洋生态学的探索等。鲍鱼、海胆、海参和扇贝等都是 极富营养的水产生物，因此全球对海产品的需求量越来越大。随着我国渔业的迅速 发展，水下生物捕捞技术也日益受到重视。为了克服常规捕捞技术的不足，人们逐 渐利用海洋学探测技术进行渔业捕捞，该技术可以克服危险系数高、工作时间短、 对人体的伤害大等问题。
FPN+PAN结构,SPP结构
highoooo的博客
09-03 1万+
FPN 高维度向低维度传递语义信息（大目标更明确） PAN 低维度向高维度再传递一次语义信息（小目标也更明确）
深度学习之FPN+PAN
weixin_43998635的博客
12-02 6987
FPN+PAN
FPN+PAN结构学习
爱CV
12-20 4万+
yolo4的neck结构采用该模式，我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。 如图所示，FPN是自顶向下的，将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。 和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数
cascade中FPN base模型图理解
Snoopy_Dream
06-29 1993
0.上图是普通的FPN   1.下面是我自己手绘的模型图，首先C2-C5 表示的res2c-res5c每个对应的末层进行1*1*256全卷积，保证通道的一致。 2.下图1中包含了从下往上（up branch）（不断向上 下采样）即把底层的细节带给顶层，这样P5这样的层寻找大目标的时候就会更准确，和从上往下（down branch）（不断向下 上采样），保证底层的语义信息增强，小目标的勘测...
深度学习笔记------现阶段的目标检测器结构解析（Neck[FPN,PANet,Bi-FPN],Head[rpn,yolo...]）
YOULANSHENGMENG的博客
12-10 1万+
目录 1. 概述 2. 经典Neck的回顾 2.1FPN(特征金字塔结构) 2.2 PANet 2.2.1创建了自下而上的路径增强 2.2.2 Adaptive Feature Pooling 2.3 Bi-FPN及FPN的演进ASFF，NAS-FPN，Recursive-FPN） 3 典型head回顾 3.1 RPN(RegionProposal Networ) 3.1.1 RPN的运作机制 3.1.2RPN详解 3.2 无融合SSD类型的head 3.3 自...
（五）论文阅读 | 目标检测之Libra R-CNN
Skies_的博客
03-04 848
CVPR2019 | 目标检测之Libra R-CNN
Cascade-RPN
weixin_43489950的博客
02-27 744
【论文笔记】Cascade RPN：Delving into High-Quality Region Proposal Network with Adaptive Convolution https://www.cnblogs.com/fanzhongjie/p/11695526.html
基于PaddleOCR的DBNet多分类文本检测网络
YY007H的博客
04-29 1万+
之前一直思考如果DBnet文本检测网络能够加入多分类的话，就可以实现模型很小又能够区分类别的功能，在端侧部署的话就能达到非常高的精度和效率。在参考了大佬的pytorch版的DBnet多分类功能，在此实现Paddle版的DBnet多分类文本检测网络。......
《Region Graph Embedding Network for Zero-Shot Learning》ECCV2020
weixin_43994864的博客
09-09 1642
1. 问题 已有的zero-shot learning（ZSL）方法总结下来大多采取以下方案：1）从预训练好的或端到端可训练的网络中提取全局特征（如上，Fig 1(a)）；然后2）将这些特征与其语义向量相关联，构建嵌入或生成模型。然而，这些方法不能有效的捕捉可见和不可见图像之间的细微差异，从而导致了不理想的语义迁移。此外，领域偏差的问题仍然存在，这意味着学习的模型仅仅依赖于所看到的类别，而忽略了可用的不可见属性。（我觉得以前方法学习到的信息可以看作粗粒度信息，忽视了细粒度信息和细粒度所在区域之间的关系） .
人工智能/机器学习基础知识——空洞卷积、RoI Pooling、RoI Align、RPN、DCN
WindGrin_的博客
04-12 1024
人工智能/机器学习基础知识——空洞卷积、RoI Pooling、RoI Align、RPN、DCN
Cascade RCNN算法笔记
热门推荐
AI之路
06-06 6万+
论文：Cascade R-CNN Delving into High Quality Object Detection 论文链接：https://arxiv.org/abs/1712.00726 代码链接：https://github.com/zhaoweicai/cascade-rcnn Cascade R-CNN算法是CVPR2018的文章，通过级联几个检测网络达到不断优化预测结果的目的...
PaddlePaddle 官方 Cascade R-CNN + ResNeXt 101 + FPN 配置文档 cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x.yml 解析
weixin_40042498的博客
02-05 2062
PaddlePaddle 提供了很多常见的深度学习模型，这里对 Cascade R-CNN + ResNeXt 101 + FPN 配置文档进行分析，方便大家进行调参和修改，文档名称为: cascade_rcnn_dcn_x101_vd_64x4d_fpn_1x.yml # 模型检测名称 architecture: CascadeRCNN # 最大迭代数，每一个 iter 会运行 batch_size * device_num 张图片，batch_size 在下面中 TrainReader.batch_si
Feature Pyramid Networks for Object Detection 论文笔记
Jesse_Mx的博客
01-17 2万+
论文地址：Feature Pyramid Networks for Object Detection前言这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，欢
目标检测总结：Cascade RCNN
Tianlock的博客
02-26 2336
目标检测总结：Cascade RCNNIOU对目标检测的影响其他相关工作Cascade RCNN 目标检测中通常用IOU来区分正例和负例，通常IOU取0.5，但通常0.5的IOU阈值会带来大量的噪声，这里的噪声指的是false positive。但是如果增加阈值的选取，检测器的性能并没有提升反而有所下降，其原因在于：1样本减少引起的过拟合，2 train和inference时的阈值不一致带来的mi...
Cascade RCNN论文翻译
风影的博客
09-20 7115
翻译仅为学习，如有侵权请联系我删除。 翻译不当之处请多多指教。 摘要 在目标检测中，需要一个交并比(IOU)阈值来定义物体正负标签。使用低IOU阈值(例如0.5)训练的目标检测器通常会产生噪声检测。然而，随着IOU阈值的增加，检测性能趋于下降。影响这一结果的主要因素有两个：1)训练过程中由于正样本呈指数级消失而导致的过度拟合；2)检测器为最优的IOU与输入假设的IOU之间的推断时间不匹配。针对这...
mmdetection源码笔记（二）：创建网络模型之cascade_rcnn.py的解读（中）
Activewaste
08-18 9347
引言： cascade_rcnn.py文件在moels/detections文件夹下。本次对文件cascade_rcnn.py的代码解读，是根据py配置文件configs/cascade_rcnn_r50_fpn_1x.py的数据信息进行讲解的。 moels/detectionscascade_rcnn.py文件中 主要的内容如下： __init__() ：module的构造函数。 init_w...
现在有没有什么算法用于目标检测
最新发布
02-19
目标检测是计算机视觉中的核心任务之一，旨在识别图像或视频中的物体并定位其位置（通常用边界框表示）。以下是当前主流的几类目标检测算法及其代表性模型： --- ### **1. 传统算法（非深度学习）** - **Viola-...
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