一种新的特征融合方式：《Learning Spatial Fusion for Single-Shot Object Detection》解读

最新推荐文章于 2025-06-03 22:00:30 发布
最新推荐文章于 2025-06-03 22:00:30 发布
阅读量1.5w 收藏 150
点赞数 21
CC 4.0 BY-SA版权
分类专栏： 计算机视觉 深度学习
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/watermelon1123/article/details/103277773

本篇文章最大的创新点是提出了一种新的特征融合的方式ASFF，通过学习权重参数的方式将不同层的特征融合到一起，作者证明了这样的方法要优于通过concatenation或者element-wise的方式。

代码：https://github.com/ruinmessi/ASFF

一个更强的YOLOv3 baseline

其实整篇文章能取得如此优秀的效果并不仅仅在于加入了ASFF这种自适应特征融合方式，作者在YOLOv3的基础上吸取了很多优秀的经验，构建了一个非常强劲的目标检测baseline，这个baseline的mAPJ就达到了38，其中包括：

  • Guided Anchoring
  • Bags of Tricks
  • Additional IoU loss

可以看到，这个baseline将yolov3的AP从33%提升到了38%，高达5个点之多。

自适应特征融合方式ASFF

为了充分利用高层特征的语义信息和底层特征的细粒度特征，很多网络结构都会采用FPN的方式输出多层特征，但是无论是类似于YOLOv3还是RetinaNet他们多用concatenation或者element-wise这种直接衔接或者相加的方式，作者认为这样并不能充分利用不同尺度的特征，于是提出了Adaptively Spatial Feature Fusion的自适应

最低0.47元/天 解锁文章

200万优质内容无限畅学
ASFF：Learning Spatial Fusion for Single-Shot Object Detection
weixin_38688399的博客
06-16 1280
ASFF：Learning Spatial Fusion for Single-Shot Object Detection 论文：Learning Spatial Fusion for Single-Shot Object Detection 论文地址：https://arxiv.org/pdf/1911.09516.pdf github：https://github.com/ruinmessi/ASFF 本篇文章最大的创新点是提出了一种新的特征融合的方式ASFF，通过学习权重参数的方式将不同层的特征融合到
Learning Spatial Fusion for Single-Shot Object Detection（ASFF）
weixin_42821501的博客
05-08 1011
Learning Spatial Fusion for Single-Shot Object Detection（ASFF） paper code Abstract 不同特征尺度之间的不一致性是基于特征金字塔的单炮探测器的主要限制。在这项工作中，提出了一种新颖的数据驱动的金字塔特征融合策略，称为自适应空间特征融合(ASFF)。它学习了空间过滤冲突信息的方法来抑制不一致性，从而提高了特征的尺度不变性，并且inference的消耗增加几乎没有。 Motivation 1.早期自下而上的路径实现多尺度特征提取会
ASFF：目标检测自适应特征融合方式
热门推荐
qq_40728805的博客
12-13 1万+
ASFF：目标检测自适应特征融合方式 Adaptively Spatial Feature Fusion的自适应特征融合方式 ​ 在目前的目标检测算法中，为了充分利用高层特征的语义信息和底层特征的细粒度特征，采用最多也是较好的特征融合方式一般是FPN架构方式，但是无论是类似于YOLOv3还是RetinaNet他们多用concatenation或者element-wise这种直接衔接或者相加的方式...
特征融合方法
最新发布
weixin_45691275的博客
06-03 427
效果：​ 优点：计算简单，适合增强同源特征（如残差连接），能缓解梯度消失。​ 缺点：要求输入特征严格对齐，若语义差差异大可能导致信息混叠。注意事项：​ 输入特征的尺度和均值需相近(可通过BN层标准化)；适用于特征图通道数相同的场景语义分割中的表现：​ 异源特征（语义差异大）：相加导致信息混叠，在UNet的跳跃连接中直接相加可能导致细节模糊，通常不如拼接效果好。​ 同源特征（语义相似）：相加增加信号，两个分支的特征直接相加，增强信息。
Learning Spatial Fusion for Single-Shot Object Detection--Songtao Liu
xu.hyj
05-06 2556
[1] Liu S , Huang D , Wang Y . Learning Spatial Fusion for Single-Shot Object Detection[J]. 2019. 1、介绍2、ASFF的结构2.1、特征同尺寸变换2.2、自适应混合2.3、相容性质3、效果 多尺度特征特别是特征金字塔FPN是解决目标检测中跨尺度目标的最常用有效的解决方法，但是不同特征尺度中存在的不一致性限制了（基于特征金字塔的）single-shot检测器的性能。本文提出一种特征金字塔融合方法ASF.
ASFF:Learning Spatial Fusion for Single-Shot Object Detection
qq_35766376的博客
03-19 354
在特征金字塔（FPN）中加入自适应结构特征融合模块，使其自适应地学习每个尺度特征图的融合空间权重。
【论文笔记】：ASFF:Learning Spatial Fusion for Single-Shot Object Detection
Activewaste
04-28 7901
&Title ASFF:Learning Spatial Fusion for Single-Shot Object Detection 代码 &Summary 不同特征尺度之间的不一致性是基于特征金字塔的单阶段检测器的主要缺陷。 本文提出了一种新的基于数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。它学习了空间过滤冲突信息的方法来抑制不一致性，从而提高了特...
【ASFF】《Learning Spatial Fusion for Single-Shot Object Detection》
bryant_meng
08-16 1275
arXiv-2019。
Learning Spatial Fusion for Single-Shot Object Detection.zip
02-02
在“Learning Spatial Fusion for Single-Shot Object Detection.zip”这一压缩包中，我们不仅获得了名为“Learning Spatial Fusion for Single-Shot Object Detection.pdf”的论文，还包含了完整的代码实现，即...
Learning Spatial Fusion for Single-Shot Object Detection one-stage-yolo优化
lovep1的博客
02-25 1013
paper：https://arxiv.org/abs/1911.09516 code：https://github.com/ruinmessi/ASFF 此篇文章在coco上基于yolov3的baseline将精度刷到0.44，且fps为29，仍然可以做到超实时，主要还是一种新的特征融合方法+相当强大的baseline（yolov3++测试ap0.38），asff模块之外加入了可变形卷积，编译起来有点麻烦，在voc上作者称可以达到0.82左右，总体来说，在yolov4和yolov5没有出来之前，是当
Learning Spatial Fusion for Single-Shot Object Detection
qq_52302919的博客
03-09 1134
金字塔特征表示是解决目标检测中尺度变化问题的常用方法。然而，不同特征尺度之间的不一致性是基于特征金字塔的检测器的主要限制。在这项工作中，作者提出了一种新的数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。它学习了空间过滤冲突信息以抑制不一致性的方法，从而提高了特征的尺度不变性。以解决单级检测器特征金字塔中的不一致性
转载系列【检测】：2019 | Learning Spatial Fusion for Single-Shot Object Detection
qq_17614495的博客
05-13 255
本篇文章最大的创新点是提出了一种新的特征融合的方式ASFF，通过学习权重参数的方式将不同层的特征融合到一起，作者证明了这样的方法要优于通过concatenation或者element-wise的方式。 代码：https://github.com/ruinmessi/ASFF 一个更强的YOLOv3 baseline 其实整篇文章能取得如此优秀的效果并不仅仅在于加入了ASFF这种自适应特征融合方式，作者在Y...
[目标检测]-涨点trick之ASFF：Learning Spatial Fusion for Single-Shot Object Detection笔记
ai_faker的博客
03-12 2841
1.综述 文章地址与文章代码; 文章主要思想可以简单的概括为fpn+attention; 文章的核心工作有两个 1.在yolov3的基础上采用了一系列更强的trick,获得了一个基于yolov3的超强baseline 主要包括如下技巧,详情可以参见论文 1) Guided Anchoring-一种anchor free 方法 2) Bag of Tricks-主要包括 mixup algorithm , cosine learning rate schedule, synchronized batch
Learning Spatial Fusion for Single-Shot Object Detection 论文笔记
qq_30146937的博客
04-19 382
前言 特征金字塔（比如FPN）常被用来处理目标检测时的多尺度问题，但它有一个缺点，就是不同尺度之间的不一致性，尤其体现在single-shot检测器中。具体来说就是，当使用特征金字塔检测目标时，通常使用较上层的特征图来处理大目标，而用较底层的特征图来处理小目标，如果一个目标被分配给某一层级并且被看作是正样本，那么其它层级中和该目标位置相同的区域将被看作是背景。因此，如果一个图像中同时包含大目标和小...
基于学习空间融合的单发目标检测（Learning Spatial Fusion for Single-Shot Object Detection）
TJMtaotao的博客，高校计算机教师
11-23 6384
Songtao Liu Beihang University liusongtao@buaa.edu.cn Di Huang Beihang University dhuang@buaa.edu.cn Y unhong Wang Beihang University yhwang@buaa.edu.cn https://github.com/ruinmessi/ASFF/blob/master/...
YOLOV3+ASFF（Learning Spatial Fusion for Single-Shot Object Detection）训练踩坑记
comway_Li的博客
03-12 4239
文章：https://arxiv.org/pdf/1911.09516v2.pdf github：https://github.com/ruinmessi/ASFF 博客分析：https://blog.youkuaiyun.com/weixin_42096202/article/details/103293579 前沿： 下图是ASFF文章的效果，与yolov3对比，yolov3+ASFF 320的尺...
ASFF Learning Spatial Fusion for Single-Shot Object Detection 论文学习
calvinpaean的博客
07-19 495
目标检测取得了显著成绩，但是检测不同尺度的目标仍然是一个挑战。金字塔或多层级特征是解决目标检测中尺度变化的常用手段。但对于单阶段目标检测器而言，各特征尺度之间不一致性制约了算法的表现。与图像金字塔相比，特征金字塔在各尺度间是不一致的，要用到启发式的特征选取策略：大目标通常与高层级特征图有关，而小目标则和低层级特征图有关系。当某层级的特征图上的目标被分配为正样本，其它层级特征图的相应区域就会被看作为背景。这种不一致性会对梯度计算造成影响，使特征金字塔的效力降低。
论文Learning Spatial Fusion for Single-Shot Object Detection详解（代码）
Keep_Trying_Go的博客
11-30 874
对于某一特征层，其他层的特征首先被整合并调整为相同的分辨率，然后进行训练以找到最佳融合。在每个空间位置，不同层次的特征以自适应的方式进行融合，即某些特征可能会被过滤掉，因为它们在该位置携带了相互矛盾的信息，而某些特征则可能因为提供更多的区分线索而占主导地位。特征金字塔被广泛应用于目标检测领域，用于解决多尺度问题，虽然输出不同尺度的特征图用于检测，一定程度提升了检测图像中不同尺度的物体，但是不一致性跨尺度对于特征金字塔是一个主要的限制。中三个层次的特征具有不同的分辨率以及不同数量的通道。为基线实现相关算法。
Learning Spatial Fusion for Single-Shot Object Detection论文解读
a_1234567890_的博客
07-06 441
Learning Spatial Fusion for Single-Shot Object Detection （1）目的：不同特征尺度之间的不一致性是基于特征金字塔的单阶段检测的主要缺陷。 （2）改进点：提出了新的金字塔特征融合策略，称为自适应空间特征融合（ASFF）,通过学习权重参数的方式将不同层的特征融合到一起。 （3）网络结构 论文中的做法是自适应学习不同尺度上特征融合时的空间权重，主要包括两部分：调节尺寸和自适应融合。 1.Feature Resizing 以上三个level，在i层level上
评论 4
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