R3Det: Refined Single-Stage Detector with Feature Refinementfor Rotating Object论文学习

最新推荐文章于 2025-11-13 07:44:17 发布
原创 最新推荐文章于 2025-11-13 07:44:17 发布 · 2.1k 阅读 · 22 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

R3Det是一种基于RetinaNet的一阶段目标检测方法，通过引入特征细化模块(FRM)及近似偏斜损失函数，有效解决了大纵横比、密集及旋转目标的检测难题。在多个数据集上的实验证明了其优越性。

该论文为one-stage目标检测。是以RetinaNet为基础，增加了FRM（feature refinement module）以及设计了一个可导的近似偏斜损失函数（approximate SkewIoU），目的为了解决目标检测的三大挑战：1.大纵横比目标，2.密集目标的图像，3.任意旋转目标的图像。针对不同的场景做出相对应的解决方案。

网络结构

该论文是在RetinaNet的基础上进行增加新的模块和改变损失函数设计而成的，每层FPN连接着分类子网（class subnet）和边界盒回归子网（box subnet）以及FRM（feature refinement module）。

1.分类子网（class subnet）

FPN的每层都都连接着两个分类子网，第一个分类子网是直接接收FPN层输入的feature map，第二个分类子网接收的是FRM处理过后的feature map。

2.边界盒回归子网（box regression subnet）

 与分类子网相同。

3.FRM（feature refinement module）

FRM同时接收第一个分类回归子网的特征和FPN层输入的特征，将这两个特征进行堆叠然后进行卷积操作输入到第二个分类回归子网。

4.anchor的设计

在FPN的p3~p7层对应着面积为32^{2}~512^{2}的anchor，并且每层使用长宽比例为{1, 1/2, 2, 1/3,  3,

最低0.47元/天 解锁文章
【零样本知识蒸馏】（九）ICCV 2021：Feature Refinement for Generalized Zero-Shot Learning
梁瑛平的博客
08-31 1050
【零样本知识蒸馏】（九）ICCV 2021：Feature Refinement for Generalized Zero-Shot Learning论文地址：代码地址：主要问题：主要思路：算法动机：整体框架：基本符号：具体实现：Revisiting f-VAEGAN：Feature Refinement:实验结果： 论文地址： https://arxiv.org/abs/2107.13807 代码地址： https://github.com/shiming-chen/FREE 主要问题： 广义零镜头学习（
Feature refinement 的阅读笔记
pzb19841116的专栏
02-03 984
利用双流Inception网络作为骨架进行表情共享特征学习，利用带有注意力机制的表情提议模块进行表情特异性特征学习，利用融合的表情细化特征进行标签预测。在未来的研究中，我们将考虑一种端到端的MER方法，寻找更有效的方法来丰富微表情样本，并从大规模数据库中使用迁移学习来为MER带来好处。与MER中现有的深度学习方法侧重于学习表情共享特征不同，我们的方法旨在通过表情特征学习和融合来学习一组表情精化特征。本文的贡献是，提出了一个新颖的特征提纯方法，一个表达能力较强的特征学习与融合的方法，用于微表情识别。
R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
热门推荐
space_dandy的博客
10-14 1万+
本文针对旋转目标的检测提出了R3det。论文地址：https://arxiv.org/abs/1908.05612 1.Introduciton 目前，旋转目标检测面临三个主要挑战： 待检测目标纵横比较大 待检测目标的排列较为密集 类别不平衡 本文讨论了如何设计一个准确和快速的旋转目标检测器。文章提出了一个refined one-stage 旋转检测器，其设计策略结合了水平anchor的高召回率和旋转anchor对密集场景的适应性两方面的优点，在第一个阶段使用水平anch...
用于微小目标检测的上下文扩展和特征细化网络
互相学习的小博客
11-03 6690
作者又将这样的ASPP模块的融合方式通过下面三种方式进行实验，其中（a）和（c）方式就是一般的进行相加和拼接，几种不同的特征的权重是相同的，而对于(b)方式就是将最终结果再通过一个注意力机制进行重要性分析。一般来说第二种方式是比较不错的，因为这种方法我是在其他论文上见过的，在那篇小目标检测论文中，（b）的方式是一个创新点部分。这一部分的内容就是用来过滤冲突信息，防止微小物体的特征直接被淹没在冲突信息中，因为在FPN中对不同尺度进行融合，容易产生大量的冗余信息和冲突信息，从而降低了多尺度表达能力。
ConvNeXt在异常检测中的创新应用：特征重构方法完全指南
最新发布
gitblog_01183的博客
11-13 294
ConvNeXt是Facebook AI Research在2022年提出的革命性卷积神经网络架构，旨在为2020年代重新设计ConvNet。这个纯卷积网络模型不仅在图像分类任务上表现出色，更在异常检测领域展现出强大的特征重构能力。本文将深入探讨ConvNeXt在异常检测中的应用，特别是其独特的特征重构方法。 ## 🤔 什么是异常检测中的特征重构？ 异常检测的核心思想是通过学习正常数据的特征
遥感深度学习目标检测数据集整理
qq_41627642的博客
04-20 5521
1、UCAS-AOD 遥感影像数据集 UCAS AOD 遥感影像数据集，用于飞机和车辆检测。 具体来说，飞机数据集包括 600 张图像和 3210 架飞机，而车辆数据集包括 310 张图像和 2819 辆车辆。所有的图像都经过精心挑选，使数据集中的物体方向分布均匀。 车辆（a）与飞机（b）目标检测示例 该数据集由中国科学院大学（国科大）于 2014 年首次发布，并于 2015 年补充，相关论文有《Orientation Robust Object Detection in Aerial Ima.
《R3Det：Refined Single-Stage Detector with Feature Refinement for Rotating Object》论文笔记
m_buddy的博客
08-23 1655
参考代码： TF实现版本：R3Det_Tensorflow Pytorch实现版本：r3det-on-mmdetection 旋转检测算法总结：RotationDetection 1. 概述 导读：这篇文章提出了一种级联优化的旋转目标检测算法。这篇文章的检测算法可以看作是单阶段的（类似RefineDet）检测算法。算法的第一级回归用于生成带旋转角度的roi proposal（也可以称之为带旋转角度的anchor），在之后的优化级中去迭代优化上一级生成的roi proposal。需要注意的是文章的算法在
遥感旋转目标检测模型：R3Det 实验记录
Sonrikisou1997的博客
07-12 4560
配置环境： RTX3090 PyTorch 1.9.0 CUDA 11.3 cudnn 8.2.0 mmcv 0.5.9(旧版本) opencv 3.4.4.19（旧版本） DOTA数据集下载：https://captain-whu.github.io/DOTA/dataset.html R3Det训练好的checkpoints（用于test测试，u8bj）：https://pan.baidu.com/share/init?surl=Ijmh1Lco4T7HPwAtT2h0Zg 项目地..
2021-3-13论文学习——SENet，StairNet，Generalized Focal Loss，R3Det，CARAFE
practical_sharp的博客
03-13 1805
[1]Squeeze-and-Excitation Networks 论文地址：https://arxiv.org/abs/1709.01507 代码地址：https://github.com/moskomule/senet.pytorch/blob/master/senet 论文发表于CVPR 2018，同时提交于IEEE TPAMI 2019 结构图 一个全局avg pooling得到11C的向量，然后通过一个MLP感知机得到进行线性变换的11C 向量。 再通过一个Sigmod函数进行激活。 各
【论文笔记】Transformers in Remote Sensing: A Survey 中的相关论文链接
m0_61899108的博客
11-07 2349
【综述】Transformers in Remote Sensing: A Survey 链接https://blog.youkuaiyun.com/m0_61899108/article/details/127628888 的相关transformer论文汇总 https://github.com/VIROBO-15/Transformer-in-Remote-Sensing
R3Det解读
m0_67619101的博客
08-12 628
当使用相同的特征图进行多次分类和回归时，边界框位置的变化可能会引起特征错位，因此需要FRM。在FRM中，first stage回归出的水平框会refine成倾斜框，然后根据分类出的目标类别分数进行筛选高质量倾斜框（每个特征点只取分数最高的box，这样每个box只对应一个特征点），然后映射到经过Large Kernel特征重组后的原特征图，先将boxs的位置信息编码为一个个特征点，这些特征点的位置和原特征图的特征点的位置是一样的(因为box的偏移，旋转会引起中心点偏移，把它映射回去，
【论文精读】CVPR2021 - ReDet：一种用于航空目标检测的旋转等变检测器
qq_50757624的博客
04-01 1576
最近，航空图像中的目标检测在计算机视觉中引起了广泛的关注。与自然图像中的物体不同，空中物体通常以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地对方向变化进行建模，因此需要大量的旋转增强数据来训练准确的目标检测器。在本文中，我们提出了一种旋转等变检测器（ReDet）来解决这些问题，它明确编码了旋转等变性和旋转不变性。更准确地说，我们将旋转等变网络纳入检测器以提取旋转等变特征，这可以准确预测方向并导致模型尺寸的大幅减小。基于旋转等变特征，我们还。
local-feature-refinement:局部特征几何的多视图优化
05-06
局部特征几何的多视图优化 该存储库包含以下文件的实现： "Multi-View Optimization of Local Feature Geometry". M. Dusmanu, J.L. Schönberger, and M. Pollefeys. European Conference on Computer Vision 2020 (Oral). 要求 C ++ 在继续之前，应将安装为库。 请参考官方网站上的安装说明。 对于文章中，我们已经使用了dev COLMAP在提交分支f4eaade （你可以运行git checkout f4eaade编译COLMAP使用相同版本之前）。 我们建议通过运行COLMAP_PATH=path_to_colmap_executable_folder将环境变量设置到colmap文件夹。 唯一的附加要求是protobuf ，它可以在Ubu
R3Det_Tensorflow：AAAI 2021纸的代码：R3Det：具有改进的旋转对象功能的改进的单级检测器
02-06
R 3 Det：具有改进功能的精制单级探测器，用于旋转物体 抽象 和基于由完成。 已发布。 我们还建议基于tensorflow，，这是导致。 管道 最新表现 DOTA1.0（任务1） 模型 骨干 训练数据 Val数据 地图 模型链接 锚 角度预测 Reg。 失利 角度范围 施罗德 数据扩充 显卡 图像/ GPU 设定档 ResNet50_v1d 600-> 800 DOTA1.0列车 DOTA1.0测试 65.73 H Reg。 平滑L1 90 2倍 × 3颗GeForce RTX 2080 Ti 1个 ResNet50_v1d 600-> 800 DOTA1.0列车
1万多千张yolo红外微小无人机目标检测数据集（包含有数据增强图像）
03-23
1万多千张yolo红外微小无人机目标检测数据集（包含有数据增强图像），数据集目录已经配置好，yolo格式(txt)的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型， 数据集和检测结果参考： https://blog.youkuaiyun.com/zhiqingAI/article/details/136952543?spm=1001.2014.3001.5501 数据集配置目录结构data.yaml： nc: 1 names: ['IR_drone']
精读FREE: Feature Refinement for Generalized Zero-Shot Learning
qq_42578970的博客
12-14 3379
作者提出，目前的零样本学习(Generalized zero-shot learning, GZSL)方法，在特征提取问题上都是使用的在ImageNet数据集上预训练的各种模型，但由于没处理ImageNet和GZSL跨数据集之间的偏差(cross-dataset bias)，导致模型在应对zero-shot任务和处理未见过的类时提取的特征不佳。作者提出了特征改良模块(feature refinement, FR)，来改善一个本质为生成器的映射所提取出的特征。
refinedet:Single-Shot Refinement Neural Network for Object Detection
WYXHAHAHA123的博客
03-09 1060
这是中国科学院自动化所在CVPR2018发表的论文。 论文链接：https://arxiv.org/abs/1711.06897 pytorch代码链接：https://github.com/luuuyi/RefineDet.PyTorch Refinedet模型大致上是将RPN、SSD和FPN融合到了一起。 对于物体检测任务而言，两个阶段的方法two stage method...
【论文阅读】R3Det
dujuancao11的博客
11-22 7028
论文地址：https://arxiv.org/abs/1908.05612 摘要 旋转检测是一项具有挑战性的任务，因为它难以定位多角度目标并将其有效地从背景中分离出来。虽然已经取得了相当大的进展，但在实际设置中，旋转物体的宽高比大、分布密集、类别极不平衡仍然存在挑战。在本文中，我们提出了一个端到端精细化的单级旋转检测器，通过使用从粗粒度到细粒度的逐步回归方法来快速和准确地检测目标。针对现有精细化单级检测器存在的特征不匹配的缺点，设计了特征精细化模块，通过获取更准确的特征来提高检测性能...
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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