论文阅读：Grid R-CNN

最新推荐文章于 2024-12-29 20:57:24 发布

原创

最新推荐文章于 2024-12-29 20:57:24 发布 · 984 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#objec detection #目标检测

Grid R-CNN是一种两阶段目标检测方法，它通过RoI特征对物体网格进行提案位置修正，提高定位精度。采用多点监督解决关键点定位不精确问题，使用像素级sigmoid激活的heatmap预测，并通过特征融合增强信息。通过extended region mapping增加有效训练样本，提升检测性能。

Grid R-CNN

文章

CornerNet是one-stage的基于关键点的detector，那么可以不可以在two-stage上用上类似的方法呢？Grid R-CNN就是这样的方法。和普通的two-stage的第二步对RoI进行回归不一样，该方法直接利用RoI feature对物体的Grid（多个关键点）进行proposal的位置修正。

和CornerNet一样，本文也发现了很多关键点（比如CornerNet中的左上和右下角点）所在的位置缺少local visual evidence的问题，所以本文设计了一种multi-point的监督方式，可以减小某些点定位不精确带来的影响。比如上图(b)中3x3的grid设计，右上角的不精确的y轴坐标可以由上中点校准，其实这和corner pooling的想法还是很相似的。

和CornerNet不一样的地方在于，CornerNet是一个bottom-up的方法，直接从图片得到关键点，然后对关键点进行group来确定物体的bounding box。而本文的方法是top-down的，先由第一阶段确定好每个instance的RoI，然后致力于将关键点定位得更加准确。

从上面的结构图看出，如果设置的Grid是NxN的，那么每个RoI的feature在经过dilated卷积和反卷积之后会输出

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Kivee123

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

目标检测论文阅读：Grid R-CNN算法笔记

qq_43631268的博客

01-02

747

这篇文章提出了一种非常新颖的、利用网格引导定位机制的目标检测框架，命名为Grid R-CNN。不同于传统的基于回归的方法，Grid R-CNN会使用位置敏感的全卷积结构来捕获空间信息。本文用多个网格点共同监督的方式来减少只用两个点定位（bbox的左上角和右下角）带来的预测误差影响。本文提出了一种两阶段的信息融合方式，将相邻网格点的特征图进行融合来充分利用网格点的相关信息。这种网格引导定位的方法可以很方便地嵌入到不同的主流目标检测模型中。实验证明，Grid R-CNN可以实现高质量的目标定位。

Grid R-CNN 算法笔记

AI之路

07-09

2775

论文：Grid R-CNN 论文链接：https://arxiv.org/abs/1811.12030 代码链接：https://github.com/STVIR/Grid-R-CNN 代码链接2：https://github.com/open-mmlab/mmdetection 这篇目标检测论文发表在CVPR2019，整体上是将two-stage类型的目标检测算法中的位置回归支路用基于关键点检测...

参与评论您还未登录，请先登录后发表或查看评论

Grid-R-CNN

03-15

网格R-CNN 在CVPR 2019上发布的更新Grid R-CNN的基于mmdetection的实现。原始文件在，更新的详细信息可以在此看到。安装该项目基于mmdetection对象检测框架。要求 Python 3.5+（） PyTorch 1.0+或PyTorch-每晚 CUDA 9.0+ GCC 4.9+ 使用mmdetection安装Grid R-CNN 一种。创建一个conda虚拟环境并激活它。然后安装Cython。 conda create -n open-mmlab python=3.7 -y source activate open-mmlab conda install cython b。按照稳定或每晚安装PyTorch和Torchvision。 C。克隆此存储库。 d。编译cuda扩展。 ./compile.sh e。设置mmde

Grid R-CNN

weixin_43489950的博客

03-19

599

Grid R-CNN Grid R-CNN这篇论文是刚刚由商汤提出的，其主要是对faster R-CNN框架中定位框回归支路的更改，将以往通过回归方式实现proposal位置修正的方法，更改为...

Grid rcnn

liguandong

03-17

738

Grid rcnn Abstract: the grid rcnn captures the spatial information explicitly and enjoys the position sensitive property of fully convolutional architecture. Instead of using only two independent po...

目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net

bigcindy的博客

07-29

5545

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...

目标检测论文阅读：Sparse R-CNN算法笔记

qq_43631268的博客

02-07

1286

我们提出Sparse R-CNN，一种用于图像目标检测的纯稀疏方法。现有的目标检测工作严重依赖于稠密的目标候选，例如在大小为$H×W$的图像特征图的所有网格上预先定义$k$个锚框。然而，在我们的方法中，一个固定的稀疏学习目标建议集，总长度为$N$，提供给目标识别头执行分类和定位。Sparse R-CNN通过将$HWk$（成千上万）个手工设计的目标候选剔除到$N$（例如100）个可学习的提议，完全避免了所有与目标候选设计和多对一标签分配相关的工作。更重要的是，最终的预测结果是直接输出的，无需进行非极大值抑制。

第十七周：Fast R-CNN论文阅读

最新发布

m0_59510256的博客

12-29

984

这篇博客介绍了Fast R-CNN，这是一种双阶段的目标检测模型，是对RCNN的改进。RCNN由于对每个候选区域单独进行特征提取，导致了大量的重复计算。为了解决这一问题，Fast R-CNN引入了更为高效的策略。它首先对整张图片进行卷积操作，得到特征图，然后根据候选区域在原图中的空间位置信息，在特征图上进行RoI Pooling，从而避免了重复计算。RoI Pooling层根据预定义的网格尺寸对候选区域特征图进行划分，然后在每个网格内执行最大池化操作，最终生成固定尺寸的RoI特征向量。

《Grid R-CNN》论文笔记

m_buddy的博客

08-03

377

代码地址：Grid-R-CNN 1. 概述导读：这篇文章在Faster RCNN（带FPN）的基础上采用grid guided定位机制提出了新的检测方法Grid RCNN。与传统的回归方法相比，Grid RCNN显式捕获空间信息（像素级，使得定位更准确），并使用了卷积网络对位置敏感的特性。在检测框的表达上，传统方法使用两个独立的点（左上与右下），而这篇文章中的方法使用多点组合的形式组合更多的信...

Grid RCNN论文理解

donkey_1993的博客

01-11

5753

Grid RCNN 商汤11月份提出的论文。论文下载地址：https://arxiv.org/abs/1811.12030 论文代码复现：论文创新点： 1. 使用了全卷积网络来代替目标检测里面的全连接层。 2. 加入了融合机制使得标注框更加的精确。算法整体流程：算法的整体流程经过RPN找到候选区域，然后通过感兴趣区域得到特征图。将特征图传到全卷积网络层里面输出最...

paper reading：《Grid R-CNN》

yuansiming0920的博客

08-21

446

CVPR 2018 论文链接： https://arxiv.org/pdf/1811.12030.pdf Grid R-CNN是商汤科技最早发表于arxiv的一篇目标检测的论文，对于Faster R-CNN架构的目标坐标回归部分进行了替换，取得了更加精确的定位精度。该文所有作者均来自于商汤科技，Grid用来修饰R-CNN，意即将目标检测中位置定位转化为目标区域网格点的定位。文章目录1 Background and Motivation2 Related Work3 Advantages/Contrib.

Grid R-CNN理解

？？？的博客

12-15

8714

Grid R-CNN Grid R-CNN这篇论文是刚刚由商汤提出的，其主要是对faster R-CNN框架中定位框回归支路的更改，将以往通过回归方式实现proposal位置修正的方法，更改为通过全卷积网络来实现目标定位框的精确修正。借助卷积层生成的heatmap来确定初始的网格点，并通过这些网格点确定定位框的四条边。之所以做出这样的改变，作者阐述全卷积网络对位置更加具有敏感性，能够更好的实现更...

Grid R-CNN 翻译

qq_20481015的博客

12-19

1037

推荐文章：Grid R-CNN —— 强大的实例分割框架

gitblog_00063的博客

05-25

381

AI科技大本营

12-22

3260

作者 | 周强来源 | 我爱计算机视觉Grid R-CNN是商汤科技最新发表于arXiv的一篇目标检测的论文，对Faster R-CNN架构的目标坐标回归部分进行了替换，...

「Computer Vision」Note on Grid R-CNN

小锋子Shawn

11-30

716

QQ Group: 428014259 Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.youkuaiyun.com/dgyuanshaofeng/article/details/84667027 [1] Grid R-CNN 2018 [paper]

Grid RCNN 阅读笔记

Vivianyzw的博客

12-26

959

1. 摘要 Abstract 与传统回归不同，Grid RCNN利用全卷积结构来抓取了空间信息。设计一种多点，而非只用两个独立的点，的监督形式来编码更多的线索，为了减少具体的点的不准确推测的影响。为了充分发挥网格点的相关性的优势，我们采用了两阶段融合侧率来融合邻网格点的特征图。网格限制的定位方法很容易拓展到不同的检测框架中。Grid RCNN是高质量的物体检测策略。和Res50的Faster ...

Grid RCNN学习笔记

_liuzt的博客

12-04

562

Grid R-CNN CVPR2018 商汤 Abstract 本文提出了一种基于网格引导定位的目标检测算法Grid R-CNN Grid R-CNN获取空间信息并且利用全卷积结构的位置敏感性 Different from the traditional regression based methods, the Grid R-CNN captures the spatial information explicitly and enjoys the position sensitive propert

论文阅读笔记三十七：Grid R-CNN（CVPR2018）

weixin_34378045的博客

12-23

327

论文源址：https://arxiv.org/abs/1811.12030 开源代码：未公开摘要本文提出了目标检测网络Grid R-CNN，其基于网格定位机制实现准确的目标检测。传统方法主要基于回归操作，Grid R-CNN则捕捉详细的空间信息，同时具有全卷积结构中对位置信息的敏感性。【Instead of using only two independent ...