RetinaNet网络结构详解

最新推荐文章于 2024-08-11 09:35:58 发布
原创 最新推荐文章于 2024-08-11 09:35:58 发布 · 855 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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

 

Dragon_0010
关注
Retinanet网络结构详解
@bangbang的博客
07-27 2051
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 2757
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。
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
最新发布
qq_52191127的博客
08-11 2206
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。
23_RetinaNet网络结构详解
https://github.com/foxpup11?tab=repositories
07-13 1719
https://www.bilibili.com/video/BV1Q54y1L7sM/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
2.1.2 RetinaNet网络结构详解
qq_45825952的博客
09-21 1321
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 2175
RetainNet网络介绍
pytorch-retinanet-master_RetinaNet_pytorch_pytorchcnn_python_源码
10-04
RetinaNet的核心在于其结合了两种网络结构：特征金字塔网络（Feature Pyramid Network, FPN）和焦点损失（Focal Loss）。FPN通过构建一个多尺度的特征图，使模型能够检测不同大小的目标。而Focal Loss则针对类别不...
RetinaNet详解
weixin_38208912的博客
05-27 1万+
网络结构 这里默认3∗33*33∗3个anchor,图中标出以输入为672*640大小时,每层对应的尺度,以及每层对应anchor个数和每个特征层base anchor对应到原图的anchor大小. 边界框回归 在faster rcnn 中存在3个框，其中anchor, ground truth为已知固定的框, predict 为预测框 其中： Anchor:(Ax,Ay,Aw,Ah)Anchor :(A_x,A_y,A_w,A_h)Anchor:(Ax​,Ay​,Aw​,Ah​) Predict:(Px
Retinanet网络结构
qq_43703185的博客
09-07 730
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 网络结构、Focal Loss【详解】
qq_23022733的博客
06-06 453
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
02-24 918
RetinaNet详解（附Pytorch代码讲解）
源仔
03-20 9792
RetinaNet详细解读
Retinanet网络结构简介
ww_1122的博客
08-20 1814
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 1985
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
11-17 706
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详解
09-06
RetinaNet采用了一种特殊的网络结构，称为特征金字塔网络（Feature Pyramid Network，简称FPN），用于从图像中提取不同尺度的特征。这样可以使模型能够对不同大小和尺度的目标进行准确的检测。 与其他目标检测模型...
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