RetinaNet网络结构详解

最新推荐文章于 2024-08-11 09:35:58 发布
最新推荐文章于 2024-08-11 09:35:58 发布
阅读量853 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 人工智能 目标检测
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/pyscl01/article/details/127789121
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 2049
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 2755
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 2195
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 1716
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 1319
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 2172
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
06-06 450
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 9785
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 1978
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
11-17 705
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是一种用于目标检测的深度学习模型。它是由Facebook AI Research团队在2017年提出的，旨在解决目标检测中存在的困难问题。 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不同的是，RetinaNet采用了一种称为“焦点损失”（Focal Loss）的新的损失函数。传统的交叉熵损失函数在目标检测中常常面临正负样本不平衡的问题，即负样本远多于正样本。而焦点损失函数通过引入一个可调整的参数，有效地缓解了这个问题。它专注于解决难以分类的样本，即具有高置信度分数但分类错误的样本，从而提高了模型的检测精度。 RetinaNet还使用了一种称为“双向框架”（BiFPN）的多级特征融合方法。在目标检测任务中，不同尺寸的目标需要不同层级的特征进行检测。BiFPN通过在不同层级之间进行信息传递和特征融合，使得模型可以同时利用高级语义信息和低级细节特征，从而提高了目标检测的准确性。 总的来说，RetinaNet是一种基于特征金字塔网络的目标检测模型，通过引入焦点损失函数和双向框架，有效地解决了目标检测中的困难问题，提高了检测精度。这种模型的诞生为目标检测任务的进一步发展和应用提供了有力的支持。
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