DetectoRS学习笔记（54.7AP 目前目标检测最强模型！）

最新推荐文章于 2025-01-16 09:56:34 发布
最新推荐文章于 2025-01-16 09:56:34 发布
阅读量3.1k 收藏 19
点赞数 4
分类专栏： 计算机视觉 深度学习 文章标签： 深度学习 人工智能
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。
本文链接：https://blog.youkuaiyun.com/justsolow/article/details/106592773
版权

DetectoRS学习笔记

从结果上看，这篇文章在Res50+HTC的基础上将box mAP从43.6刷到了51.3.

论文
代码

文章的创新点主要来自于两点:

1、FPN的改进—>RFP

主要提出对FPN的结构增加feedback的反馈和recursive的repeat堆叠, 融合时还使用了ASPP的结构，增大了全局特征和感受野。具体示意图如下：在这里插入图片描述
公式为：
在这里插入图片描述
这里的f代表的就是自顶向下的FPN的过程，B就是自底向上的特征提取的过程，x是输入，R是自顶向下传输到自底向上的过程中的横向连接的一种转换，也就是ASPP，T,t就是迭代的次数（横向连接的运行次数）。ASPP（多孔金字塔池化）就是通过不同的空洞卷积来对图像进行不同程度的缩放，得到不同大小的输入特征图，再把子窗口的特征进行池化就生成了固定长度的特征表示。如下图所示：

最低0.47元/天 解锁文章
最强的目标检测网络：DetectoRS 54.7 AP
jacke121的专栏
06-06 3474
转自公众号 CVer https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247500510&idx=2&sn=fe7bda4b77893a9192cfb294ac106151&chksm=f9a1b051ced639477462a0d116ed1ffb6c95a4f13750ae38afb442cb211a7f90cb818eee5b8e&mpshare=1&scene=1&srcid=06
DetectoRS-最强目标检测网络 54.7AP | Detecting Objects with Recursive Feature Pyramid and Switchable Atrous
weixin_42096202的博客
06-04 3930
最新目标检测论文，从检测的骨干网络设计出发，效果直接SOTA！ 论文地址：https://arxiv.org/pdf/2006.02334.pdf、 Github地址（基于mmdet）:https://github.com/joe-siyuan-qiao/DetectoRS Abstract： 一些现有的目标检测器已经证明了，通过使用两次观察和思考的机制，能够表现出优秀的性能。 在本文中，我们探索了将这种机制用于目标检测的主干设计中。 在宏观级别，我们提出了递归特征金字塔，它结合了从特征金字塔网络到自.
几种目标检测网络模型对比（RCNN系列、Mask-RCNN、R-FCN、YOLO、SSD、FPN等）
热门推荐
Dominic_S的博客
11-20 2万+
RCNN RCNN具体原理解析 网络分为四个部分：区域划分、特征提取、区域分类、边框回归 区域划分：使用selective search算法画出2k个左右候选框，送入CNN 特征提取：使用imagenet上训练好的模型，进行finetune 区域分类：从头训练一个SVM分类器，对CNN出来的特征向量进行分裂 边框回归：使用线性回归，对边框坐标进行精修 优点：ss算法比滑窗得到候选框高效一些；使用...
DetectoRS论文学习笔记
Learning
06-08 2002
原论文：《Siyuan Qiao, Liang-Chieh Chen, Alan Yuille. DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution[J]. arXiv:2006.02334》 最后面有 参考代码 的 Github 链接 仅描述基本构成，原论文内容很丰富，所以详细情况还是要看论文。 效果： 论文的两个特点： 将 RPN 改为 RFP（Recursiv.
深度学习目标检测经典模型比较（RCNN、Fast RCNN、Faster RCNN）
python深度学习笔记,一起学习的加QQ2737499951
09-28 4951
深度学习目标检测经典模型比较（RCNN、Fast RCNN、Faster RCNN）   Faster rcnn是用来解决计算机视觉(CV)领域中目标检测(Object Detection)的问题的。 区别目标分类、定位、检测 一、传统的目标检测方法 其实目标检测对于人类来说并不困难，通过对图片中不同颜色模块的感知很容易定位并分类出其中目标物体，但对于计算机来说，面对的是RGB像素矩阵...
【目标检测经典模型比较】--Fast R-CNN Faster R-CNN Mask R-CNN
weixin_62371528的博客
02-06 1715
【目标检测经典模型比较】二阶段--Fast R-CNN Faster R-CNN Mask R-CNN三者比较与进步，包括各自优缺点。目标检测入门二阶段检测算法。
目标检测新视野 | YOLO、SSD与Faster R-CNN三大目标检测模型深度对比分析
最新发布
CooVally_AI的博客
01-16 2328
根据具体的应用需求选择合适的算法，可以更好地发挥目标检测技术的价值。Faster R-CNN因其较高的检测精度和可靠性，适用于对精度要求较高的场景，如医学图像分析（如肿瘤检测）、工业质检（如缺陷检测）等。和YOLO类似，也是一种单阶段检测器，与YOLO不同的是，SSD通过使用不同尺度的特征图来检测不同尺寸的物体，从而提升了对多尺度目标的检测能力。然而，由于采用两阶段的处理方式，它的速度较慢，适合精度要求较高但不特别看重实时性的场景。其中，表示边界框中心的欧几里得距离，是包围框对角线的长度，是长宽比的差异。
论文学习笔记：背景扰动补丁攻击目标检测模型
weixin_40675092的博客
09-16 657
作者提出了一个新颖white-box攻击的方法，生成图片背景对抗补丁，以此来attack 基于Single Shot Module (SSM)的目标检测器。算法能够在图片内找到有效的位置和形状，创建对抗扰动。生成的对抗扰动，在攻击目标检测模型的同时肉眼几乎无法分辨。不仅能够降低正阳性率，而且还能提升假阳性率。作者在COCO数据上，对8个two-stage目标检测方法和5个one-stage方法进行了对抗实验，均得到了不错的效果 Adv Petch ...
深度学习目标检测与yolo概述
Tobiue的博客
10-10 1280
深度学习目标检测是计算机视觉中的关键任务，旨在识别和定位图像中的对象。YOLO（You Only Look Once）是这一领域的重要算法，将目标检测视为回归问题，通过单一神经网络实现端到端处理。YOLO将图像划分为网格，并为每个网格预测边界框和类别概率，从而实现实时检测。
【超全】目标检测模型分类对比与综述:单阶段、双阶段、有无锚点、DETR、旋转框
阿旭的博客
11-24 5108
【超全】目标检测模型分类对比与综述:单阶段、双阶段、有无锚点、DETR、旋转框
深度学习 检测模型对比
10-12
深度学习 检测模型对比
【目标检测经典模型比较】--SSD RetinaNet EfficientDet
weixin_62371528的博客
02-07 1694
SSD RetinaNet EfficientDet 模型的图文讲解，论文精读，包括优缺点、网络结构以及创新点，抓住重点！
3D目标检测经典模型比较
qq_46460131的博客
11-21 1411
自动驾驶模型的一些罗列
图像识别经典轻量级网络模型总结梳理、原理解析与优劣对比分析
Together_CZ的博客
12-06 4227
图像识别经典轻量级网络模型总结梳理、原理解析与优劣对比分析
目标检测模型accuracy/speed综合比较
On_theway10的博客
07-16 1780
本博文的写作目的：综合比较笔者接触过的一些目标检测的代表性模型（Faster R-CNN, R-FCN, SSD, FPN, RetinaNet, Yolov3）的性能(accuracy/speed/Memory/backbone)，方便日后工作中选择模型时参考、借鉴。 Outline 影响性能的x-因素 Google report :...
目标检测方法比较
weixin_43836497的博客
05-12 3654
本文转载自： http://blog.csdn.net/yimingsilence/article/details/53995721 这里搜集了一些关于物体检测的方法分析和介绍，看好哪个可以去详细研究一下，基本都有论文或代码的链接。 这里是简述各种方法，下面有详细叙述 方法选择： =...
常用目标检测预训练模型大小及准确度比较
weixin_43978579的博客
05-28 1234
目标检测是计算机视觉领域中的一项重要任务，旨在检测和定位图像或者视频中的目标对象。当人类观看图像或视频时，我们可以在瞬间识别和定位感兴趣的对象。目标检测的目标是使用计算机复制这种智能。 近年来，目标检测网络的发展日益成熟，涌现出多种优秀的模型。其中包括 YOLO 系列和 EfficientDet-D0 等目标检测网络。
目标检测模型mAP计算方法与对比步骤——对比原模型与量化模型之间的mAP
知来者逆的博客
06-07 3771
转换或者量化模型是为了提高模型推理速度，但往往会对模型精度产生影响，这里演示了验证与评估模型转换与部署在mAP上的对比
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