目标检测YOLO实战应用案例100讲-面向小目标检测的多尺度特征融合

目录

知识储备

多尺度目标检测

多尺度任务-AugFPN

 

多尺度锚框

多尺度目标检测的深度学习

 

基于深度学习的目标检测主流算法

基于图像金字塔的多尺度目标检测

 基于网络内特征金字塔的多尺度目标检测

基于并行支路构建特征金字塔

前言

 国内外研究现状 

传统目标检测技术 

深度学习下的目标检测技术 

小目标检测技术 

 小目标检测相关工作 

2.1 常用数据集 

2.1.1 PASCAL VOC 

2.1.2 MS COCO 

2.1.3 UCAS-AOD 

2.2 评价指标 

2.3 基准模型的选择 

 2.3.1 网络结构 

2.3.2 候选框设置 

2.3.3 损失函数设计 

  双向阶梯式堆叠的特征金字塔构建  

3.1 引言 

3.2 方法介绍  

3.2.1 问题分析 

3.2.2 阶梯式堆叠模块 

3.2.3 双向特征金字塔构造 

3.2.4 注意力交互模块 

3.2.5 网络设置 

---

---

本文篇幅较长，分为上下两篇，下篇详见面向小目标检测的多尺度特征融合（续）

知识储备

多尺度目标检测

多尺度训练对全卷积网络有效，一般设置几种不同尺度的图片，训练时每隔一定iterations随机选取一种尺度训练。这样训练出来的模型鲁棒性强，其可以接受任意大小的图片作为输入，使用