论文笔记：AugFPN: Improving Multi-scale Feature Learning for Object Detection

最新推荐文章于 2025-02-19 10:17:06 发布
最新推荐文章于 2025-02-19 10:17:06 发布
阅读量3.8k 收藏 46
点赞数 1
分类专栏： 论文笔记 文章标签： 深度学习 计算机视觉 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/richard_che/article/details/106108725
版权
AugFPN是针对FPN在物体检测中的改进，通过一致性监督、残差特征增强和软RoI选择提高性能。研究发现FPN在特征融合过程中存在信息损失，AugFPN通过引入新的模块来解决这些问题，提升了ResNet50和MobileNet-v2的mAP。

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

  • 代码：https://github.com/Gus-Guo/AugFPN
  • 论文：https://arxiv.org/abs/1912.05384

摘要

  • 现有的SOTA检测器都使用了构建特征金字塔（不同尺度的特征组合），来提升对不同尺度（大小）的目标的检测鲁棒性。而FPN是其中的代表性工作
  • 本文对FPN进行了分析，找到了其中的一些设计上的缺陷
  • 针对缺陷提出了3个改进点，也正是AugFPN的3个组成部分：
    • Consistent Supervision：用于降低不同scale之间的语义Gap
    • Residual Feature Augmentation：用于在不同尺度的特征融合(fusion, summation)中降低信息损失
    • Soft RoI Selection：更好地从图像金字塔中取出ROI Feature用于分类
  • 将FasterRCNN中的FPN结构改成AugFPN，在ResNet50和MobileNet-v2上都有mAP提升
  • 另外，AugFPN中与特征金字塔相关的改进点（也就是Consistent Supervision & Residual Feature Augmentation），在一些Anchor Based/ Anchor Free的One-stage方法中，也能获得提升

原生的FPN中存在的缺陷分析
针对FPN中对不同尺度特征的融合&利用，Figure 1对其进行了总结。对于一个Backbone，FPN首先会引出它在不同尺度下的输出，这些输出有这样的特性：

  1. 底层特征尺度（大小࿰
最低0.47元/天 解锁文章
AugFPN: Improving Multi-scale Feature Learning for Object Detection
weixin_41965872的博客
03-24 1336
AugFPN: Improving Multi-scale Feature Learning for Object Detection 写的第一篇博文，读过的文章 欢迎讨论 论文地址：arxiv.org/abs/1912.05384 由中科院与地平线在19年发表，提出AugFPN结构，可替换FPN，检测效果得到提升。 文章首先分析FPN模型中存在的问题，然后提出改进方案。 针对FPN模型，作者提...
[目标检测]--AugFPN：Improving Multi-scale Feature Learning for Object Detection
weixin_42096202的博客
12-18 6146
摘要：\color{#FF3030}{摘要：}摘要： 目前最先进的检测器通常利用特征金字塔来探测不同尺度的物体。其中，FPN是多尺度特征累加构建特征金字塔的代表作品之一。然而，其背后的设计缺陷阻碍了多尺度特征的充分利用。本文首先分析了FPN中特征金字塔的设计缺陷，然后引入了一种新的特征金字塔结构——增广FPN (AugFPN)来解决这些问题。具体来说，AugFPN由三个部分组成 : 一致性监督（...
51c深度学习~合集2
最新发布
whaosoft~aiotの开发板商城
02-19 1217
CVPR2023的Occupancy Prediction比赛的前五名开源方案分析总结。第一次参加CVPR的比赛，没有太多的比赛经验，以此文来总结一下大佬们开源出来的比赛方案，并提出一些自己的思考，欢迎评论区进行交流。Occupancy Prediction任务描述。
阅读论文《AugFPN: Improving Multi-scale Feature Learning for Object Detection》
juicetech的博客
05-11 1470
1 主要思想 特征金字塔结构是一种解决目标检测中多尺度问题的有效方式之一，通过一条自顶向下的通路将高层特征中包含的语义信息引入到低层特征中，从而提升小目标检测的性能。本文则继续探索FPN结构，将整个FPN结构的工作过程总结为3个阶段：特征融合前、自顶向下特征融合、特征融合后，作者在每个阶段中找到了存在的内在问题：（1）不同层级之间的特征存在较大的语义差别，这里主要是在减少特诊图的channel数量后，不同层级间的特征存在较大的语义差异。（2）最高层特征在这过程中会丢失信息，这里主要是因为使用1*1卷积来降
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文阅读
weixin_44576543的博客
04-07 487
AugFPN: Improving Multi-scale Feature Learning for Object Detection 多尺度特征学习用于目标检测 摘要：目前的目标检测多使用金字塔获取不同尺度特征，然而FPN方式通过多尺度的融合，这种机制的设计阻碍了多尺度特征完全的融合。在本文中 分析这种设计的缺点，引入新的框架 增强FPN，特别地这种aug-FPN解决这种问题。包括连续地监督、残差特征增加。Soft Roi选择 。通过连续的监督缩小不同尺度语义信息的差异于不同尺度特征。在特征融..
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文笔记
qq_30146937的博客
04-21 1424
前言 首先来说一下FPN的一些设计缺陷，如下图所示，FPN可以分为三个阶段：（1）特征融合前；（2）top-down特征融合；（3）特征融合后。每个阶段都存在一处设计缺陷： 不同层级的特征之间存在语义差异。在进行特征融合前，会先将不同层级的特征经过一个1×11 \times 11×1的卷积层以降低通道数，但这一过程未考虑这些特征之间存在的巨大的语义差异。如果直接将这些特征进行融合，由于它们的语...
AugFPN：改进多尺度特征学习用于目标检测
TJMtaotao的博客，高校计算机教师
12-31 1万+
Chaoxu Guo1, Bin Fan1, Qian Zhang2, Shiming Xiang1, and Chunhong Pan1 1NLPR,CASIA 2Horizon Robotics 1{chaoxu.guo, bfan, smxiang, chpan}@nlpr.ia.ac.cn 2qian01.zhang@horizon.ai 本文工作是基于Faster R-CNN 的改进，...
AugFPN: improving mult-sacle Feature learing for Object Detection 读书笔记
qq_34928047的博客
12-20 194
文章目录1.文章说的重点是啥2.针对的三个问题如歌应答2.1 第一个问题是啥，如何解答2.2 第二个问题是啥，如何解决2.3第三个问题是啥，文章如何解决 1.文章说的重点是啥 文章就是对与FPN金字塔的模型提出了三点改进。而FPN金字塔特征图是引用一篇论文 论文：feature pyramid networks for object detection 论文链接：link=https://arxiv.org/abs/1612.03144 转载与YYAILearner 在这里简单介绍一下就行。 2.针对的三
ScarfNet: Multi-scale Features with Deeply Fused and Redistributed Semantics
weixin_36670529的博客
05-11 670
1、已经存在的特征金字塔方法 为了检测到变化尺寸的目标，基于特征金字塔的检测器，在不同特征层之间，基于在k特征图上的决策，例如下图(a)所示，基线检测器使用在特征层上的特征图。 其中。其中是骨干网络产生的特征图，是从后来的卷积层由底向上得到。代...
目标检测之FPN、AugFPN、NAS-FPN
热门推荐
何少的博客
02-23 2万+
针对小目标的检测有提升的文章。 未完待续~ Feature Pyramid Networks for Object Detection FPN是一种多尺度的目标检测算法。大多数目标检测算法都是采用顶层特征来做预测的，但是我们知道：低层的特征语义信息较少，但是位置信息丰富；高层的特征语义信息丰富，位置信息粗略。虽然也有些多尺度特征融合的方法，但是一般采用融合后的特征做预测，但是FPN是在不同特征...
Multi-scale Feature Extraction on Point-sampled Surfaces
10-13
We present a new technique for extracting line-type features on point-sampled geometry. Given an unstructured point cloud as input, our method first applies principal component analysis on local neighborhoods to classify points according to the likelihood that they belong to a feature. Using hysteresis thresholding, we then compute a minimum spanning graph as an initial approximation of the feature lines. To smooth out the features while maintaining a close connection to the underlying surface, we use an adaptation of active contour models. Central to our method is a multi-scale classification operator that allows feature analysis at multiple scales, using the size of the local neighborhoods as a discrete scale parameter. This significantly improves the reliability of the detection phase and makes our method more robust in the presence of noise. To illustrate the usefulness of our method, we have implemented a non-photorealistic point renderer to visualize point-sampled surfaces as line drawings of their extracted feature curves.
【论文笔记】Multi-scale Feature Fusion：Learning Better Semantic Segmentation for Road Pothole Detection
m0_61899108的博客
02-07 4382
论文 论文题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION 发表于：CVPR 2021 论文地址：https://arxiv.org/pdf/2112.13082.pdf 摘要 本文提出了一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采
FPN (Feature Pyramid Networks) 多尺度特征从认识到实践
weixin_42108090的博客
08-19 1062
Our proposed Feature Pyramid Network (FPN) is fast like (b) and ©, but more accurate. In this figure, feature maps are indicate by blue outlines and thicker outlines denote semantically stronger features. The principle advantage of featurizing each level .
（三十）论文阅读 | 目标检测之AugFPN
Skies_的博客
07-23 1627
CVPR2020 | 目标检测之AugFPN
目标检测:AugFPN（CVPR2020）
AI-Mei的博客
09-29 5893
AugFPN: Improving Multi-scale Feature Learning for Object Detection1. 摘要1.1 现存问题1.2 解决方法1.3 性能表现2. FPN缺陷分析2.1 不同层特征的语义差距2.2 最高层特征图信息丢失2.3 RoI启发式分配策略问题3. 算法详解3.1 Consistent Supervision CVPR2020，论文中提出了AugFPN，用于解决FPN中存在的一些缺陷 1. 摘要 1.1 现存问题 目前大多数的目标检测器都使用了特征金
探秘AugFPN：改进的多尺度特征学习，提升目标检测性能
gitblog_00007的博客
06-04 582
探秘AugFPN：改进的多尺度特征学习，提升目标检测性能 AugFPN项目地址:https://gitcode.com/gh_mirrors/au/AugFPN 项目简介 AugFPN是由Guo等人在CVPR 2020上提出的一种新式特征金字塔网络，旨在解决当前FPN（Feature Pyramid Network）在处理多尺度特征时存在的问题。该项目基于强大的mmdetection框架进行构建...
目标检测之AugFPN
weixin_41311686的博客
06-21 1315
整理下以前学习的Aug-FPN代码理解思路。 论文链接：https://arxiv.org/abs/1912.05384 代码链接：https://github.com/Gus-Guo/AugFPN Aug-FPN的网络结构部分比较容易理解，这里主要看看一致性监督的代码。代码是利用的mmdetection平台写的。我主要讲讲自己学习中感觉需要理解的代码，可能自己也有理解不到位的地方，对新手不太友好。总之，欢迎相互交流！把retinanet_r50_augfpn_1x作为例子，这里主要理解下他的一致性监督的创
【MFEN：轻量级多尺度特征提取：SR网络】
weixin_43690932的博客
01-14 8878
仅供自己参考
MDFN: Multi-scale deep feature learning network for object detection 文章翻译及学习
qq_40617397的博客
11-09 1744
MDFN: Multi-scale deep feature learning network for object detection 用于目标检测的多尺度深层特征学习网络 请结合论文共食。 3 Deep feature learning network 3.1 deep feature extraction and analysis 假设： 这些特征图应该能够提供精细的细节，尤其是对于较早的图层而言； 转换特征图的功能应扩展到足够深的层，以便可以将对象的高级抽象信息构建到特征图中； 特征图应包含适当的
推荐20篇关于多特征服装检索的文献
04-11
8. 《Multi-feature Clothing Retrieval using Multi-task Learning and Object Detection》 9. 《Clothing Retrieval with Multi-view and Multi-scale Features using a Dual Attention Network》 10. 《Multi-...
评论 1
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