论文阅读：Grid R-CNN

最新推荐文章于 2024-12-29 20:57:24 发布
最新推荐文章于 2024-12-29 20:57:24 发布
阅读量953 收藏
点赞数
文章标签： objec detection 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/qq_37014750/article/details/86707717
版权
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。

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

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。

最低0.47元/天 解锁文章
Kivee123
关注
Grid R-CNN 算法笔记
AI之路
07-09 2723
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...
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 5341
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...
《Grid R-CNN》论文笔记
m_buddy的博客
08-03 342
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 5704
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...
Grid rcnn
liguandong
03-17 690
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...
Grid R-CNN
weixin_43489950的博客
03-19 551
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...
第十七周：Fast R-CNN论文阅读
最新发布
m0_59510256的博客
12-29 885
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。
目标检测经典论文——Fast R-CNN论文翻译（中英文对照版）：Fast R-CNN（Ross Girshick， Microsoft Research（微软研究院））
bigcindy的博客
07-28 6616
Fast R-CNN Ross Girshick Microsoft Research（微软研究院） rbg@microsoft.com Abstract This paper proposes a Fast Region-based Convolutional Network method (Fast R-CNN) for object detection. Fast R-CNN builds on previous work to efficiently c...
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译
Q1u1NG的博客
12-04 1342
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译摘要 论文地址：Sparse R-CNN: End-to-End Object Detection with Learnable Proposals 代码地址：https://github.com/PeizeSun/SparseR-CNN 摘要 我们提出了Sparse R-CNN，一种纯稀疏的方法用于图像中的目标检测。现有的目标检测工作很大程度上依赖于密集候选目标，如在
Grid R-CNN 翻译
qq_20481015的博客
12-19 1005
Grid RCNN时候商汤的最新力作 摘要 本文提出了一种新的目标检测框架Grid R-CNN，该框架采用网格引导的定位机制进行精确的目标检测。与传统的基于回归的方法不同，网格R-CNN对空间信息进行了显式捕获，具有全卷积架构的位置敏感特性。为了减少特定点预测不准确的影响，我们设计了一个多点监督公式来编码更多的线索，而不是仅仅使用两个独立的点。为了充分利用网格中各点之间的相关性，提出了一种两阶...
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
paper reading：《Grid R-CNN》
yuansiming0920的博客
08-21 388
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.
目标检测论文阅读：Grid R-CNN算法笔记
qq_43631268的博客
01-02 672
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 RCNN学习笔记
_liuzt的博客
12-04 511
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
Grid R-CNN理解
？？？的博客
12-15 8601
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...
推荐文章：Grid R-CNN —— 强大的实例分割框架
gitblog_00063的博客
05-25 352
推荐文章：Grid R-CNN —— 强大的实例分割框架 Grid-R-CNN项目地址:https://gitcode.com/gh_mirrors/gr/Grid-R-CNN 1、项目介绍 Grid R-CNN 是一个基于 mmdetection 框架的深度学习项目，它在 2019 年的 CVPR 大会上首次发表，并后续进行了更新。该项目旨在解决复杂的实例分割任务，特别是在处理多尺度和不规则形...
Grid RCNN 阅读笔记
Vivianyzw的博客
12-26 926
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 ...
「Computer Vision」Note on Grid R-CNN
小锋子Shawn
11-30 677
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 Plus 算法笔记
AI之路
07-09 1610
论文：Grid R-CNN Plus: Faster and Better 论文链接：https://arxiv.org/abs/1906.05688 代码链接：https://github.com/STVIR/Grid-R-CNN 代码链接2：https://github.com/open-mmlab/mmdetection 这篇技术文章要介绍的Grid RCNN Plus算法是Grid RCN...
YOLO系列论文解析：目标检测新视角
R-CNN（Region-based Convolutional Neural Networks）则先使用区域提议算法生成可能的边界框，然后对这些框应用分类器，最后进行后处理以修正边界框、去除重复检测并基于场景中的其他对象重新评分。这些步骤虽然...
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