[论文笔记] NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection（CVPR19）

最新推荐文章于 2025-02-21 21:44:03 发布
最新推荐文章于 2025-02-21 21:44:03 发布
阅读量1.9k 收藏 1
点赞数 1
分类专栏： 机器学习 计算机视觉 文章标签： NAS Neural Architecture Search
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/soulmeetliang/article/details/94766249
版权
本文介绍了CVPR19上的一篇论文——NAS-FPN，该研究通过神经架构搜索（NAS）学习了一个适用于对象检测的可缩放特征金字塔架构，提升了检测性能。

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

[论文笔记] NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection（CVPR19）

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

最低0.47元/天 解锁文章
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
01-09 8904
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读 导读：2019年11月21日，谷歌大脑团队发布了论文 EfficientDet: Scalable and Efficient Object Detection。 Google Brain 团队的三位 Auto ML 大佬 Ming...
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
【论文笔记】：NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection
Activewaste
08-06 1万+
&Title: NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection &Summary 目前最先进的卷积结构用于物体检测是手工设计的。 在这里，我们的目标是一个更好的学习可扩展特征金字塔结构，用于目标检测。在一个覆盖所有交叉尺度连接的可扩展搜索空间中，采用神经网络结构搜索，发现了...
NAS-FPN
qq_38289371的博客
06-07 1026
NAS-FPN:Learning Scalable Feature Pyramid Architecture for object detection
深度树学习用于Zero-shot人脸的反欺诈（文末论文）
gzq0723的博客
06-30 1780
【导读】今天我们主要讲解零次学习及深度树学习用于人脸发欺诈技术。今天主要会讲解13种欺骗攻击中的ZSFA（Zero-Shot FaceAnti-spoofing）问题，...
php-fpn配置,NAS-FPN：用于对象检测的学习可扩展特征金字塔结构
weixin_39631017的博客
03-10 255
NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object DetectionAbstractThis repo is based on FPN, and completed by YangXue.Train on COCO train2017 and test on COCO val2017 (coco minival)....
最新目标检测论文（一）：谷歌大脑提出NAS-FPN：一种学会自动架构搜索的特征金字塔网络
qq_37764129的博客
07-07 1592
目标检测也能用神经架构搜索，这是一个自动搜索的特征金字塔网络。 神经架构搜索已经在图像识别上展现出很强的能力，不论是可微架构搜索的速度，还是基于强化学习搜索的准确度，很多时候自动架构搜索已经超越了我们手动设计的版本。与此同时，学习视觉的特征表示是计算机视觉中的一个基本问题。不论是图像分类还是目标检测，抽取图像特征才是最首要的。 在过去几年里，用于图像分类和目标检测的深度卷积网络在架构搜索方面取...
【目标检测】【BiFPN】EfficientDet：Scalable and Efficient Object Detection
weixin_44184852的博客
02-21 1369
模型效率在计算机视觉中变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络架构设计选择，并提出了几项关键优化以提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它可以轻松快速地进行多尺度特征融合；其次，我们提出了一种复合缩放方法，可以同时统一缩放所有骨干网络、特征网络以及框/类别预测网络的分辨率、深度和宽度。基于这些优化和EfficientNet骨干网络，我们开发了一个新的目标检测器系列，称为EfficientDet，它在广泛的资源限制范围内始终比现有技术实现更高的效率。
《Matrix Nets：A New Deep Architecture for Object Detection》论文笔记
m_buddy的博客
09-27 800
代码地址：暂无 1. 概述 导读：这篇文章提出的新的目标检测网络叫做Matrix Nets（该方法是基于关键点的检测算法），这篇文章比较有意思的一点是充分考虑了CNN特征size与aspect对目标检测带来的影响，因而扩大了特征空间使得检测网络的性能得以提升。该网络通过在网络结构的不同层中找到匹配目标的不同size与aspect ratio从而提升检测性能，而这些单独的网络层中size与aspe...
SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection，神经网络结构搜索 + 目标检测
dwilimeth的博客
11-25 1218
SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection 论文解读，神经网络结构搜索 + 目标检测
FPN：Feature Pyramid Networks for Object Detection
肥羊汤
04-15 391
用于目标检测的特征金字塔网络——FPN（解读）(原论文） FPN架构将低分辨率语义强大的特征与高分辨率语义较弱的特征相结合，通过横向连接的自上而下的架构构建一个特征金字塔，用于在所有尺度上构建高级语义特征图。 其他方法与FPN模型对比 （a）使用图像金字塔构建特征金字塔。 在每个图像比例上独立地计算特征，这是缓慢的。（b）仅使用单一尺度的特征来加快检测速度。（c）重用由ConvNet计算...
Object Detection+NAS 相关资料整理2021-4-19
iamxiaoluoli的博客
04-19 345
Object Detection+NAS 相关资料整理 目前进展 目标检测框架中的模块大致可以分为Backbone,Neck(FPN),Head三个部分。NAS技术可以分为对其中的单个模块搜索以及多个模块搜索。 单模块搜索 Backbone SpineNet google brain出品，CVPR2020 以resnet50为基准搜blocks Efficient Neural Architecture Transformation Search in Channel-Level for Object
论文阅读笔记（二十二）：Feature Pyramid Networks for Object Detection（FPN）
sunshine_010的博客
04-19 1275
Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because...
【FPN】《Feature Pyramid Networks for Object Detection》
bryant_meng
08-03 810
CVPR 2017。
NAS-FPN论文解析
逆熵而行
07-27 6314
物体检测也是深度学习视觉领域内一个非常重要的应用场景，物体检测的主要方法目前有Faster R-CNN、SSD、YOLO等系列算法，以及近年涌现的FPN等改进方法。下面我们以NAS-FPN为例，介绍NAS在深度学习物体检测中的应用。 NAS-FPN论文的全名是NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection。这是一篇由谷歌大脑团队提出来的针对FPN特征图的NAS方法，不同于前面博客介绍的方法，这篇论文并不
DetNAS: Backbone Search for Object Detection论文阅读
Clear1sweat1的博客
12-04 815
@目标检测 DetNAS: Backbone Search for Object Detection论文阅读 Introduction 问题 目标检测性能的提高依赖于：主干网(backbone)的特征提取。（eg：ResNet-101、ResNet-152代替ResNet-50可以大幅提高检测的精确度） 现状： 1.直接使用图片分类的网络作为目标检测的主干网。 2.NAS在在图片分类上效果比较好，...
论文解读：MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices
weixin_39326879的博客
04-20 770
摘要 尽管在资源受限的环境中架构搜索前瞻性任务取得了巨大的成功，但设备上对象检测架构的设计大部分还是手动完成的。很少有自动搜索工作以非移动友好搜索空间为中心，或者不受设备延迟的影响。我们提出了MnasFPN，这是用于检测头的移动友好搜索空间，并将其与延迟感知体系结构搜索相结合，以生成有效的对象检测模型。当与MobileNetV2主体配合使用时，学习到的MnasFPN头在性能上要比MobileNetV3 + SSDLite高1.8mAP。在Pixel上也有类似的延迟。与NAS-FPNLite相比，它既准确1m
[NAS-Det]NAS-FPN
Moeyinss
05-12 1500
能够知道的是 PAnet 等等 跨尺度连接，允许模型将高层具有丰富语义信息等特征和底层具有高分辨率的特征结合起来 本文仅使用增强学习的方法来训练 基于retinanet FPN能堆叠N次来提高准确率 训练一个控制器，在给定的搜索空间中使用增强学习的方法选择最好的模型结构。 控制器利用 搜索空间中子模型的准确率最为奖励信息来更新参数 搜索空间结构 使用backbone的输出作为输入{C3,C...
Nas-FPN（CVPR 2019）原理与代码解析
00000cj的博客
01-24 3286
本文采用神经网络结构搜索（Neural Architecture Search, NAS），在一个覆盖所有跨尺度连接的新型可扩展搜索空间中发现了一个新的特征金字塔结构，NAS-FPN。与原始FPN相比，NAS-FPN显著提高了目标检测的性能，并取得了更好了速度-精度的平衡。
详细介绍一下BIFPN
最新发布
05-03
<think>好的，我现在需要详细回答用户关于BiFPN的问题。首先，我得回忆一下BiFPN的基本概念。BiFPN全称是加权双向特征金字塔网络，是EfficientDet中的核心组件，用于多尺度特征融合。用户之前问过人工智能技术，现在突然转到BiFPN，可能需要结合之前的上下文，但这里主要是要专注于BiFPN本身。 首先，用户提供的引用链接指向了BiFPN的PyTorch实现，可能需要简要看一下代码结构，但重点还是放在原理和实现方式上。用户要求详细介绍工作原理和实现方式，所以需要分点解释清楚。 接下来，我需要整理BiFPN的设计目标。传统的FPN和PANet虽然有效，但可能存在冗余和计算量大的问题。BiFPN通过双向跨尺度连接和权重学习来优化特征融合。这里需要对比传统方法，说明BiFPN的改进之处。 然后，解释BiFPN的具体结构。包括双向路径（自顶向下和自底向上），以及每条路径中的跨尺度连接。每个节点如何融合不同分辨率的特征，特别是引入可学习的权重来平衡不同输入特征的重要性。例如，使用快速归一化的加权相加方式，公式可能是$O = \sum_i \frac{w_i}{\epsilon + \sum_j w_j} \cdot I_i$，其中w是可学习的权重，epsilon防止分母为零。 实现方式方面，用户提到了EfficientDet中的实现，可能需要结合代码结构，比如在PyTorch中如何构建可重复的BiFPN层，使用1x1卷积调整通道数，然后进行上采样或下采样，再应用加权融合。同时，注意模块的轻量化，比如删除只有一个输入的节点，减少冗余。 还需要提到BiFPN在目标检测中的应用，比如EfficientDet如何通过BiFPN提升检测精度和效率。可以引用论文中的结果，如EfficientDet-D7在COCO数据集上的表现，对比其他模型。 最后，用户可能关心如何在实际项目中使用BiFPN，所以可能需要简要说明代码实现的关键步骤，比如定义层结构、权重初始化、特征融合操作等。同时，确保回答结构清晰，分核心技术、工作原理、实现方式、应用场景等部分，并添加相关问题。注意使用正确的LaTeX格式，行内公式用$...$，独立公式用$$...$$，并且检查所有技术细节的准确性，避免错误。</think>--- ### **BiFPN (加权双向特征金字塔网络) 详解** **BiFPN**（Bidirectional Feature Pyramid Network）是目标检测模型**EfficientDet**的核心组件[^1]，通过改进特征金字塔结构，显著提升了多尺度特征融合的效率与精度。 --- #### **一、设计目标** 1. **解决传统FPN/PANet的不足** - **FPN**（特征金字塔）：仅通过自顶向下单向融合高层语义与底层细节，忽略底层到高层的反向信息流。 - **PANet**：增加自底向上路径，但网络结构冗余，计算成本高。 2. **核心优化** - 双向跨尺度连接（自顶向下 + 自底向上） - 引入**可学习权重**平衡不同分辨率特征的重要性 - 模块轻量化设计（移除单输入节点） --- #### **二、工作原理** **1. 双向特征融合路径** - **自顶向下路径**：高层特征（低分辨率、强语义）逐步上采样，与底层特征（高分辨率、弱语义）融合。 - **自底向上路径**：底层特征经下采样后，与高层特征二次融合。 **2. 加权特征融合** 每个节点对输入特征进行**权重归一化**，公式为： $$ O = \sum_i \frac{w_i}{\epsilon + \sum_j w_j} \cdot I_i $$ 其中 $w_i$ 为可学习权重，$\epsilon$ 为防止数值不稳定的极小值（如 $10^{-4}$）。 **3. 跨尺度连接优化** - 若节点仅有一个输入边（无特征融合价值），则直接删除（如传统FPN的P6/P7层）。 - 允许同一层级特征多次参与融合（如P3层在双向路径中重复使用）。 --- #### **三、实现方式（以PyTorch为例）** **1. 网络结构** - **输入**：主干网络（如EfficientNet）提取的多尺度特征 $\{P_3, P_4, P_5, P_6, P_7\}$。 - **堆叠模块**：BiFPN可重复堆叠（EfficientDet中通常使用3-8次）。 **2. 关键代码逻辑** ```python class BiFPN(nn.Module): def __init__(self, feature_channels, num_layers): super().__init__() self.layers = nn.ModuleList([BiFPN_Layer(feature_channels) for _ in range(num_layers)]) def forward(self, features): for layer in self.layers: features = layer(features) return features class BiFPN_Layer(nn.Module): def __init__(self, channels): super().__init__() # 初始化权重与卷积层 self.w = nn.Parameter(torch.ones(3)) # 融合权重 self.conv = nn.Conv2d(channels, channels, kernel_size=1) # 1x1卷积调整通道 def forward(self, inputs): # 双向融合过程（示例：P4层） p4_up = F.interpolate(inputs[2], scale_factor=2) # 上采样P5到P4分辨率 p4_down = F.max_pool2d(inputs[0], kernel_size=2) # 下采样P3到P4分辨率 # 加权融合：P4 = w1*P3 + w2*P4_original + w3*P5 fused = (self.w[0]*p4_down + self.w[1]*inputs[1] + self.w[2]*p4_up) / (torch.sum(self.w) + 1e-4) return self.conv(fused) # 输出融合后特征 ``` **3. 轻量化技巧** - 使用深度可分离卷积（Depthwise Separable Convolution）减少参数量。 - 共享跨层权重（同一BiFPN模块内复用权重参数）。 --- #### **四、性能表现** | 模型 | COCO mAP | 参数量 (M) | FLOPS (B) | |--------------|----------|------------|-----------| | RetinaNet+FPN| 37.8 | 36.3 | 97.1 | | EfficientDet | 51.2 | 5.3 | 16.8 | *数据来源：EfficientDet论文[^1]* --- #### **五、应用场景** 1. **目标检测**：EfficientDet系列模型在COCO数据集上实现SOTA。 2. **实例分割**：结合Mask R-CNN等框架提升多尺度目标分割精度。 3. **视频分析**：处理多分辨率视频帧的时空特征融合。 --- ### **相关问题** 1. [如何选择BiFPN的堆叠层数以达到精度与速度的平衡？] 2. [BiFPN与其他特征融合方法（如NAS-FPN）有何本质区别？] 3. [在自定义数据集中，如何调整BiFPN的权重初始化策略？] : Tan, M., Pang, R., & Le, Q. V. (2020). EfficientDet: Scalable and Efficient Object Detection. *CVPR*.
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