RetinaNet网络结构详解

最新推荐文章于 2025-03-02 10:22:48 发布
原创 最新推荐文章于 2025-03-02 10:22:48 发布 · 972 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：

#深度学习 #人工智能 #目标检测

本文探讨了Focal Loss在密集目标检测中的关键作用，重点比较了一阶段的YOLOv3（通过3x3卷积和P7层优化资源）与两阶段的RetinaNet（多尺度和比例锚点）。讨论了正负样本匹配策略的改进，以及YOLOv3在效率上的优势。
部署运行你感兴趣的模型镜像

原论文名称：Focal Loss for Dense Object Detection(聚焦损失与密集目标检测)

one-stage网络(yolo SSD)首次超过two-stage

 与之前的FPN网络结构的不同之处：

1.没有通过C2生成P2，因为P2会占用更多的计算资源

2.通过3*3卷积得到p6,FPN是通过maxpool

3.多一个P7

在不同的特征层上所使用不同的scale(尺度)和ratios(比例)

RetinaNet在每一个预测特征层使用了3个scale和3个ratios,一共9组anchors

 正负样本匹配：

1.Iou>=0.5正样本

2.Iou<0.4负样本

3.大于0.4小于0.5 舍弃

 

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

Dragon_0010
关注
Retinanet网络结构详解
@bangbang的博客
07-27 2109
论文2017年发表在,该论文提出来后one-stage网络首次超过two-stage网络。
一阶段目标检测网络-RetinaNet详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 2841
Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection。作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域。
23_RetinaNet网络结构详解
https://github.com/foxpup11?tab=repositories
07-13 1821
https://www.bilibili.com/video/BV1Q54y1L7sM/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
深度学习之目标检测（五）-- RetinaNet网络结构详解
热门推荐
木卯_THU的博客
08-17 4万+
深度学习之目标检测（五）-- RetinaNet网络结构详解深度学习之目标检测（五）RetinaNet网络结构详解1. RetinaNet1.1 backbone 部分1.2 预测器部分1.3 正负样本匹配1.4 损失计算2. Focal Loss2.1 Cross Entropy Loss2.2 Balanced Cross Entropy2.3 Focal Loss 深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎
深度学习之目标检测---RetinaNet网络结构详解
qq_52191127的博客
08-11 2588
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
2.1.2 RetinaNet网络结构详解
qq_45825952的博客
09-21 1378
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
RetinaNet网络介绍
chase
06-12 2284
RetainNet网络介绍
目标检测系列—RetinaNet 详解
最新发布
Azperk的博客
03-02 2851
是由 Facebook AI Research（FAIR）团队于 2017 年提出的目标检测算法。它的核心创新在于，通过对困难样本的加权处理，极大地解决了问题，使得 RetinaNet 在低频类别和难度较大的物体上表现出色。与传统的目标检测方法（如 Faster R-CNN 和 SSD）相比，RetinaNet 通过简化模型架构和使用，能够在实现高精度的同时，保持较高的检测速度。特别是在大规模数据集上的表现，RetinaNet 优于许多现有的检测框架，成为了目标检测领域的重要突破。
Retinanet网络结构
qq_43703185的博客
09-07 752
Retinanet网络详解
weixin_41981679的博客
03-29 2万+
Retinanet 网络结构详解以及源代码讲解 网络backbone使用ResNet【18， 34， 50， 101， 152】 FPN层 首先输入的照片的大小为672x640， 然后经过一个池化层， 使用ResNet网络提取特征，得到四个不同尺度的特征图，layer1, layer2, layer3,layer4.源代码中的尺度融合是从layer2层开始。然后再经过尺度融合得到f3, f4, f5, f6, f7五个不同尺度的特征层。 一、Focal Loss Retinanet网络的核心就是Foc
RetinaNet深入理解（损失函数详解）
12-28
RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）
Retinanet-Pytorch:Retinanet目标检测算法(简单,明了,易用,全中文注释,单机多卡训练,视频检测)(based on pytorch,Simple, Clear, Mutil GPU)
05-05
GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op
RetinaNet 网络结构、Focal Loss【详解】
qq_23022733的博客
06-06 480
RetinaNet 这篇文章回答了为什么two-stage比one-stage的效果要好，下面是原文回答：意思就是说：训练样本的正负样本比不平衡，其次就是梯度由比较容易的样本所主导。Cross Entropy Loss： 考虑正负样本的loss，Binary Cross Entropy Loss： 如果正负样本比不平衡，所以应该在正样本前面乘上大的系数，负样本前面乘上小的系数，Balance Binary Cross Entropy Loss： 为了解决“梯度由比较容易的样本所主导”的问题，可以在难预
Retinanet 网络结构
衣带渐宽人憔悴
02-24 1011
RetinaNet详解（附Pytorch代码讲解）
源仔
03-20 9994
RetinaNet详细解读
Retinanet网络结构简介
ww_1122的博客
08-20 1859
一、网络主干框架（resnet50, FPN, class子网络，reg子网络） 1.首先设置C1-C5层 C1 conv7x7,s=2,p=1 BN relu maxpool3x3,s=2,p=1 C2(3) Block[1-3]: conv1x1,BN,relu conv3x3,s=1,,p=1,BN,relu conv1x1,bn add,relu C3(4) Block[1]
RetinaNet
jicong44的博客
01-15 2011
结构描述： 输入：图片 输出：一组anchors对应的回归和分类预测值。 流程： ResNet有四个阶段：通道数分别为（64,128,256,512） RetinaNet选取后三个阶段，C3，C4，C5，然后利用这三组特征图通过上采样和下采样得到P3,P4,P5,P6,P7五个特征图，这五个特征图的通道数都为256,大小依次递减。 在每组P特征图上分别进行回归和分类的卷积，其中回归卷积后通道数为 ...
人脸识别RetinaNet详解
11-17 771
目前最先进的目标检测是基于two-stage和提议框驱动机制。最广为人知的R-CNN框架，firststage是生成稀疏的候选对象位置；secondstage使用卷积神经网络对候选对象位置分类。two-stage框架一直在COCO数据集上由最高的准确率。一个自然的想法one-stage检测器是否能达到类似的准确率。one-stage检测器通常在位置、尺寸、长宽比上有规律的密集采样。
RetinaNet 分类头和回归头的网络结构分析
Dylan_TAI的博客
10-12 2945
主干网络（Backbone）：通常使用 ResNet（如 ResNet-50 或 ResNet-101）作为特征提取器。特征金字塔网络（Feature Pyramid Network, FPN）：在主干网络的不同层级生成多尺度的特征图。分类头（Classification Head）：用于对每个锚框（anchor）进行类别预测。回归头（Regression Head）：用于对每个锚框进行边界框回归（位置调整）。下图展示了 RetinaNet 的整体架构、分类头和回归头的结构（
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