RefineDet

本文介绍了一种改进的目标检测方法,该方法结合了两阶段检测器的思想,即先粗后细的回归策略,以及多特征图检测的优势。首先利用类似于RPN(区域提议网络)的方法生成初始边界框,随后通过特征融合提升小目标检测能力,并最终实现精准定位。

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

1)引用two stage类型的box的由粗到细的回归思想(先通过RPN网络得到粗粒度的box信息,然后再通过常规的回归支路进行进一步回归从而得到更加精确的框信息)

2)引用RPN的特征融合思想(提高对小目标的检测效果)

3)SSD:唯一区别,是将RPN思想引用到多特征图检测上

 

anchor refinement module (ARM):在Faster RCNN算法中RPN网络存在的意义就是生成proposal(或者叫ROI),这里再RPN网络的输入是单层特征的基础上,改用了多层

 

transfer connection block (TCB):特征融合(维度匹配)

object detection module (ODM): 

这里写图片描述

 

 

这里写图片描述

 

                                祝好~!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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