目标检测的五个方向 + Global Context +Local Context 综述

最新推荐文章于 2025-04-15 10:36:47 发布
转载 最新推荐文章于 2025-04-15 10:36:47 发布 · 2k 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/e01528/article/details/88322172

该博客围绕目标检测展开，介绍了目标检测的五个方向，同时提及 Global Context 和 Local Context 相关内容，为目标检测领域的研究和应用提供了有价值的参考。

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

YOLOv5、YOLOv7改进主干系列：首发最新结合Global Context Modeling结构(附代码)，目标检测高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-02 5807
基于 YOLOv7网络模型结合Non-local Networks and Attention结构，可以有效地对全局上下文进行建模。轻量级特性允许我们将其应用于骨干网络中的多个层以构建全局上下文网络
注意力机制篇 | YOLOv8改进之在C2f模块引入Global Context注意力模块 | 全局上下文注意力机制
突然好想你
07-13 1793
GCNet的核心思想是在每个残差块之后添加一个全局上下文模块（即本文的Global Context注意力模块），该模块能够捕捉全局信息，并以此来改进局部特征的学习，从而提高模型的识别精度。🌈
目标检测综述
热门推荐
计算机视觉life
07-09 14万+
前言 图片分类任务我们已经熟悉了，就是算法对其中的对象进行分类。而今天我们要了解构建神经网络的另一个问题，即目标检测问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车， 还要在图片中标记出它的位置， 用边框或红色方框把汽车圈起来， 这就是目标检测问题。 其中“定位”的意思是判断汽车在图片中的具体位置。 近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Regio...
目标检测发展方向（1）
yunxinan的专栏
08-09 1万+
从目标检测发展到目标追踪
鸿蒙NEXT开发全局上下文管理类GlobalContext（ArkTs）
最新发布
鸿蒙布道师
04-15 664
鸿蒙NEXT开发全局上下文管理类（ArkTs）
目标检测领域还有什么可做的？19 个方向给你建议
Activewaste
08-11 3715
作者：种树的左耳 来源：知乎 原文链接：目标检测领域还有什么可做的？19 个方向给你建议 知乎问题：目标检测领域还有什么可以做的？ 感觉已经饱和了，很难再出顶级算法的样子。我所指的饱和是说围绕目标检测感觉没有什么好文章能发出来了，现有算法很难在短时间有突破了。想请教大家有什么好做的点子么？ 种树的左耳答案 饱和是相对于占坑来说的，对于去探索未来踩坑来说，目标检测还远远没有达到饱和的地步。只是说...
目标检测近两年研究方向
yunxinan的专栏
04-02 2651
目标检测近几年形成如下发展趋势： 参考前段时间一个文章总结发现目标检测由两阶段向一阶段转移，2018CVPR、ECCV、ICCV和2019年近期开源文章看一阶段是接下来重点方向。而目前在模型结构上基本形成如下稳定的趋势： 1、二维方向 一、Backbone特征提取器 从新设计感受野和分类器，因为过多的下采用导致特征图很小而这种小的特征图具有丰富的语义信息丢失来浅层的高分辨信息小目标容易漏检。在特征...
目标检测发展方向（2）
yunxinan的专栏
05-13 802
1、文字检测 2、 文字检测 3、遥感旋转目标检测 Dense Label Encoding for Boundary Discontinuity Free Rotation Detection 4、遥感旋转目标检测 CFC-NET: A CRITICAL FEATURE CAPTURING NETWORK FOR ARBITRARY-ORIENTED OBJECT DETECTION IN REMOTE SENSING IMAGES 5、医学图像 Deformable Gabor Feature
Zero-shot RIS with Global-Local Context Features
10-27
【Zero-shot RIS with Global-Local Context Features】的讨论聚焦于一种新的无样本引用图像分割方法，该方法利用预训练的跨模态模型CLIP（Contrastive Language-Image Pretraining）的知识，解决了指代图像分割...
micn: multi-scale local and global context modeling for long-term series forecasting
小蚂蚁与大象
02-20 639
用长度为S−1的占位符为0，它的内核等于S，等距卷积填充长度为S的序列 这意味着我们可以使用一个大的卷积核来测量整个序列的全局相关性。此外，等距卷积的核是由所有训练数据确定的，可以引入一个全局的时间归纳偏差(平移等方差等)，并实现比自注意力(相关性从不同元素之间的乘积获得)更好的泛化。对于每个分支，我们使用基于下采样卷积的局部模块提取序列的局部特征，在此基础上，我们使用基于等距卷积的全局模块对全局相关性进行建模。MIC层包含多个分支，具有不同的尺度大小，用于模拟潜在的不同时间模式。
ConeE: Global and local context-enhanced embedding for inductiveknowledge graph completion
weixin_44466434的博客
09-11 190
1
卷积神经网络在目标检测方向的发展
06-23
卷积神经网络在目标检测方向的发展，讲解r-cnn,fast-rcnn,faster-rcnn,
2019“智见AI” Spring Camp知识点简要汇总-目标检测方向
Evabook的博客
05-08 473
旷视科技目标检测概述：Beyond RetinaNet and Mask R-CNN：https://www.megvii.com/newscenter/e2da1146-7209-44b1-aac5-1f4aab6d091a 目标检测本质上同时在做定位和分类两个任务。 目标检测的目的在于又快又准，快在于实时性，准体现在定位准和分类准。 当前主要的检测的细节仍需完善，如小物体检测、物体堆识别等。...
从近两年的CVPR会议来看，目标检测的研究方向是怎么样的？
GarfieldEr007的专栏
07-09 4346
Old Xie ，CS2EE2CS Naiyan Wang 等 85 人赞同 目前object detection的工作可以粗略的分为两类： 1：使用region proposal的，目前是主流，比如RCNN、SPP-Net、Fast-RCNN、Faster-RCNN以及MSRA最近的工作R-FCN。 2：不使用region proposal的，YOLO，SSD。 从我这
目标检测领域还有什么可以做的吗
xie_xin666的博客
08-27 532
目标检测是计算机视觉领域的一个重要研究方向，旨在识别图像或视频中的目标物体并确定其位置。目标检测的研究不仅涉及算法和模型的改进，还包括实际应用中的挑战和需求。随着技术的进步和新应用场景的出现，这一领域仍然有广阔的发展空间。设计针对特定领域的目标检测系统，例如医疗影像分析（如癌症筛查）、无人驾驶汽车（如交通标志和行人检测）等。提高目标检测模型的实时性，特别是在资源受限的设备上（如移动设备和嵌入式系统）。结合目标检测和目标跟踪技术，实现动态视频中的连续跟踪和检测。研究如何在无监督的情况下进行有效的目标检测。
大模型时代，目标检测任务会走向何方？
idol24的博客
12-20 894
来源：知乎-深度眸地址：https://zhuanlan.zhihu.com/p/663703934你或许很好奇，现在目标检测都在干啥？在大模型时代有啥花样可以做的？作为研究者还有啥可以挖的吗？作为从业者有没有好的东西可以借鉴？如果你有这些疑问，那么这篇文章很适合你。其实这篇文章是想说明下从我们常见的目标检测到现在 MLLM 盛行的时代，和 Object Detection 任务有哪些？目前又涌现...
目标检测方向毕业设计选题推荐：选题收藏
2301_79555157的博客
03-30 685
目标检测方向的毕业设计选题包括计算机视觉、智能监控、自动驾驶、无人机图像处理、医学影像分析和机器人视觉等多个领域。可以细分为实时目标检测、图像分割、视频分析、目标跟踪、跨域目标检测和小样本学习等。对于计算机专业、人工智能专业、大数据专业、信息安全专业、软件工程毕业生而言，不论是对于对深度学习技术感兴趣的同学，还是希望探索机器学习、算法或人工智能的领域的同学，都能为您提供丰富的选题资源和灵感。
目标检测方向论文笔记——CVPR2019（一）
藏晖的博客
11-21 888
本段时间阅读了几篇cvpr2019 有关检测方面的论文，对其实现思路做个简单记录。 1、Mask Scoring R-CNN 本文章中作者所提出的问题是在Mask-RCNN中Mask分支的评分标准是通过判断分割区域是否在检测框中来计算的，这个评分标准对于Mask分支来说依然存在划分缺陷。为此这篇文章的作者增加了一个分支为Mask进行评分，构建损失函数联合训练来提高检测效果。 这是该文章中提出了...
Micn: Multiscale local and global context modeling for long-term series forecasting.
03-25
### MICN 模型概述 MICN（Multi-scale Local and Global Context Modeling for Long-term Series Forecasting）是一种专门设计用于长时间序列预测的深度学习框架[^1]。该模型通过结合多尺度特征提取以及局部和全局上下文建模的能力，显著提升了对于复杂时间序列数据的预测性能。 #### 多尺度特征提取 为了捕捉不同时间粒度下的模式变化，MICN 利用了卷积神经网络 (CNN) 的层次结构来实现多尺度特征提取。具体而言，它采用多个并行的一维卷积层，每层对应不同的感受野大小，从而能够捕获短时波动与长期趋势之间的关系。 ```python import torch.nn as nn class MultiScaleConv(nn.Module): def __init__(self, input_channels=1, output_channels=[8, 16], kernel_sizes=[3, 7]): super(MultiScaleConv, self).__init__() self.convs = nn.ModuleList([ nn.Conv1d(input_channels, out_ch, k_size, padding=k_size//2) for out_ch, k_size in zip(output_channels, kernel_sizes) ]) def forward(self, x): outputs = [conv(x) for conv in self.convs] return torch.cat(outputs, dim=1) ``` 上述代码展示了如何构建一个多尺度一维卷积模块，其中 `kernel_sizes` 参数控制着各个分支的感受野范围。 #### 局部与全局上下文建模 除了关注单一时序片段内的特性外，MICN 还引入了一种机制用来融合更广泛的背景信息——即所谓的 **global context**。这种策略允许当前时刻的状态不仅依赖于最近的历史记录，还可以受到远距离节点的影响。为此，作者采用了自注意力机制(Self-Attention Mechanism)，其核心思想在于计算任意两个位置间的重要性权重，并据此调整输入表示形式。 另一方面，在处理局部区域方面，则继续沿用传统的循环单元(如GRU或LSTM)，它们擅长描述连续帧间的动态演变过程。 ```python import torch from torch import Tensor from typing import Optional def scaled_dot_product_attention(query: Tensor, key: Tensor, value: Tensor, mask: Optional[Tensor]=None) -> Tuple[Tensor]: d_k = query.size(-1) scores = torch.matmul(query, key.transpose(-2,-1)) / math.sqrt(d_k) if mask is not None: scores += mask * -1e9 attention_weights = F.softmax(scores,dim=-1) weighted_sum = torch.matmul(attention_weights,value) return weighted_sum, attention_weights ``` 此函数实现了标准缩放点乘法注意机制的核心部分，它是构成整个架构中不可或缺的一个组件。 ### 总结 综上所述，MICN 提供了一个强大的解决方案，适用于那些具有高度非线性和跨时段关联性的场景分析需求。通过对多种时空维度上的交互作用进行全面刻画，最终达到了提高预报精度的目的。
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