ICCV2017——CoupleNet: Coupling Global Structure with Local Parts for Object Detection

原创 于 2021-04-17 17:17:34 发布 · 762 阅读 · 1 ·
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

本文详细介绍了CoupleNet网络结构，该结构通过结合全局上下文和局部上下文信息提升目标检测性能。首先介绍如何利用RoI池化提取全局上下文特征，并引入上下文区域增强特征表达能力。接着阐述局部上下文的提取过程，最后讨论两者融合的方法。

CoupleNet: Coupling Global Structure with Local Parts for Object Detection

学习CoupleNet，这个网络结构就是使用全局上下文和局部上下文进行融合，检测。

在最近的一些论文中我也看到过这么的操作，但是他们的出发点都应该是来自于这一篇论文。

所以学习CoupleNet是如何进行检测，如何进行局部上下文和全局上下文的融合的至关重要。

学习CoupleNet主要抓住以下问题：

  • CoupleNet是基于RFCN进行改进的，首先要掌握Faster RCNN和RFCN；

  • CoupleNet中关于全局上下文信息是如何提取的？

  • CoupleNet中局部上下文信息是如何提取的？

  • CoupleNet中局部上下文和全局上下文是如何进行融合来增强检测的？

  • CoupleNet中还存在着哪些缺陷？
    在这里插入图片描述

我决定做完实验之后 对CoupleNet进行代码的学习，从代码层面研究和掌握CoupleNet。

首先从论文层面来解释上面提出的几个问题

Global FCN

最低0.47元/天 解锁文章
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 8829
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
目标检测 cvpr iccv eccv最新进展，包含代码
xiao__run的博客
05-21 5215
object-detection Contents: R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 SSD DSSD FSSD ESSD MDSSD Pelee R-FCN FPN RetinaNet MegDet DetNet ZSD Based on han...
论文阅读-《CoupleNet:Coupling Global Structure with Local Parts for Object Detection》
yj_isee的博客
08-11 4206
中科院nlpr实验室 ICCV20171.Motivation这篇文章主要是在R-FCN的基础上改的。其主要的观点就是R-FCN可以看成是对一个proposal，用一些position-sensitive的weak classifier去做检测，然后把这些classifier的检测结果ensemble起来（position-sensitive RoI pooling），因此作者指出这张方法没有考虑到
CoupleNet:Coupling Global Structure with Local Parts for Object Detection
11-15
该篇是对CoupleNet论文的解读，以及自己的一些看法，若有 不同希望指出。谢谢
CoupleNet
dekiang
10-21 920
目录1. Motivation2. CoupleNet2.1 整体结构2.2 Normalization2.3 Coupling strategy 论文：CoupleNet: Coupling Global Structure with Local Parts for Object Detection 来源：ICCV 2017 1. Motivation R-FCN使用位置敏感得分图（ position-sensitive score maps）实现共享计算，提高了目标检测速度，但是，R-FCN的PSRo
Couplenet
qq_35608277的博客
05-31 862
CoupleNet[41]针对R-FCN算法没有考虑到region proposal的全局信息和语义信息的问题，2017年中科院自动化所提出CoupleNet[41]算法，其在原来R-FCN的基础上引入了proposal的全局和语义信息，通过结合局部、全局以及语义的信息，提高了检测的精度。作者是通过将ROI对应的feature map往外扩大一倍的方式获取。 ref https://blo...
目标检测系列：couplenet
qq_39068872的博客
03-23 716
论文链接：CoupleNet: Coupling Global Structure with Local Parts for Object Detection 文章目录1.Introduction2.CoupleNet2.1网络结构3.实验总结 1.Introduction 本文算是RFCN的一个改进方法，RFCN提出在目标检测中引入位置敏感得分图，去除了ROIPooling后不共享的部分，在速度...
ICCV2017论文摘要汇总
super_chicken的博客
04-18 7354
1. Globally-Optimal Inlier Set Maximisation for Simultaneous Camera Pose and Feature Correspondence Abstract: Estimating the 6-DoF pose of a camera from a single image relative to a pre-computed 3D p...
Couple Net论文阅读笔记
Arch的博客
08-22 4087
CoupleNet: Coupling Global Structure with Local Parts for Object Detection背景：R-FCN在利用了FCN之后，目标检测的效果仍然十分可观并在速度上有较大提升，比faster r-cnn快2.5-20倍，R-FCN利用的是卷积产生的位敏得分feature map（一个ROI的k*k个位置对每一类均产生一个score map），基
干货 | 深度学习时代的目标检测算法
热门推荐
人工智能
03-07 2万+
AI 科技评论按：本文作者 Ronald，首发于作者的知乎专栏「炼丹师备忘录」，AI 科技评论获其授权转发。目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算法；one stage 的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。正是由于两种方法的差异，在性能上也有...
Object Detection目标检测全面总结--重要
cym1990的专栏
12-11 7791
原地址：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oct 2015  Category: deep_learning Jump to... Papers R-CNNFast R-CNNFas
目标检测分割--BlitzNet: A Real-Time Deep Network for Scene Understanding
AI小作坊 的博客
08-25 4808
BlitzNet: A Real-Time Deep Network for Scene Understanding ICCV2017 Project: http://thoth.inrialpes.fr/research/blitznet/ Code: https://github.com/dvornikita/blitznet本文在 SSD 基础上改进提出 BlitzNet，使其
目标检测--Object Detection via Aspect Ratio and Context Aware
AI小作坊 的博客
03-30 2024
Object Detection via Aspect Ratio and Context Aware Region-based Convolutional Networkshttps://arxiv.org/abs/1612.00534本文针对目标检测问题在 R-FCN基础上提出了 ARC-RCNN，主要改进是使用了Aspect Ratio 和 Context 这两个信息。 通过增加计算量来提升
论文阅读-《Objects as context for part detection》
yj_isee的博客
04-17 1384
Abel Gonzalez-Garcia arxiv 28/3/2017Abstract本文提出了一种利用object context信息的part detection的方法。作者主要用到了三种object-level的信息：object class–object appearance–relative location of parts in objects 其中object class以及ob
说说耦合(coupling)
马克宅只是个码农
08-27 2680
coupling, 即两个东西之间的一种连接，使他们彼此关联。以前大学里学软件工程和面向对象的时候，就时常听到解耦和低耦合，所以现在在做开发的时候，也往往会去想，怎么降低耦合度呢。软件工程书籍中，这么写道，高内聚及低耦合可以给我们软件开发人员带来可读性、复用性、可维护性和易变更性。耦合天成软件开发过程中，耦合是不可避免的，除非做出来一个超级巨大，包含一切功能的类/模块，都放在里面做（这显然并不是高内
Couple Number
sundujing的博客
07-17 961
任何一个整数N都能表示成另外两个整数a和b的平方差吗
SKnet：Selective Kernel Networks学习笔记+Pytorch代码实现
practical_sharp的博客
03-20 1万+
论文题目：Selective Kernel Networks 发表于 CVPR 2019 论文地址：https://arxiv.org/pdf/1903.06586.pdf 作为一下对比，这里再附上SEnet的结构图： 总结：SK注意力机制和SE注意力机制的不同之处： SE注意力只是在通道上施加MLP学习权重，来体现每个权重之间的重要性差异； SE注意力机制只需要用到一个全局池化和两个全连接层； SK注意力机制是SE注意力机制的升级版，特色之处体现在通过网络自己学习来选择融合不同感受野的特征图信息；
计算机视觉中的注意力模块———CBAM
practical_sharp的博客
03-10 8963
CBAM: Convolutional Block Attention Module 本篇文章录用于ECCV2018：CBAM：卷积块注意模块 论文地址：https://arxiv.org/pdf/1807.06521.pdf 非官方代码实现：https://github.com/Youngkl0726/Convolutional-Block-Attention-Module/blob/master/CBAMNet.py 摘要： 本文提出了卷积attention模块，一种简单而有效的前馈卷积神经网络
ICCV2017会议论文摘要：计算机视觉领域研究进展
标题“ICCV2017 (3).zip”指出了这个压缩文件是包含第3部分的ICCV2017会议相关资料。ICCV是国际计算机视觉与模式识别会议(International Conference on Computer Vision)的缩写，它是一个在计算机视觉领域享有盛誉的...
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