[目标检测]--AugFPN：Improving Multi-scale Feature Learning for Object Detection

最新推荐文章于 2024-06-04 09:55:49 发布
置顶 最新推荐文章于 2024-06-04 09:55:49 发布
阅读量6.1k 收藏 24
点赞数 2
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。
本文链接：https://blog.youkuaiyun.com/weixin_42096202/article/details/103600365

在这里插入图片描述

摘 要 ： \color{#FF3030}{摘要：} 摘要：

目前最先进的检测器通常利用特征金字塔来探测不同尺度的物体。其中，FPN是多尺度特征累加构建特征金字塔的代表作品之一。然而，其背后的设计缺陷阻碍了多尺度特征的充分利用。本文首先分析了FPN中特征金字塔的设计缺陷，然后引入了一种新的特征金字塔结构——增广FPN (AugFPN)来解决这些问题。具体来说，AugFPN由三个部分组成 : 一致性监督（Consistent Supervision）、残差特征增强（Residual Feature Augmentation）和软RoI选择（Soft RoI Selection）。AugFPN通过一致性监督，在特征融合前缩小不同尺度特征之间的语义差距。在特征融合中，通过残差特征增强来提取比率不变的上下文信息，以减少特征图在最高金字塔层次上的信息丢失。最后，采用软RoI选择方法，在特征融合后自适应地学习更好的RoI特征。通过将FPN替换为更快的R-CN

最低0.47元/天 解锁文章
chenzy_hust
关注
AugFPN: Improving Multi-scale Feature Learning for Object Detection
weixin_41965872的博客
03-24 1349
AugFPN: Improving Multi-scale Feature Learning for Object Detection 写的第一篇博文，读过的文章 欢迎讨论 论文地址：arxiv.org/abs/1912.05384 由中科院与地平线在19年发表，提出AugFPN结构，可替换FPN，检测效果得到提升。 文章首先分析FPN模型中存在的问题，然后提出改进方案。 针对FPN模型，作者提...
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文笔记
qq_30146937的博客
04-21 1435
前言 首先来说一下FPN的一些设计缺陷，如下图所示，FPN可以分为三个阶段：（1）特征融合前；（2）top-down特征融合；（3）特征融合后。每个阶段都存在一处设计缺陷： 不同层级的特征之间存在语义差异。在进行特征融合前，会先将不同层级的特征经过一个1×11 \times 11×1的卷积层以降低通道数，但这一过程未考虑这些特征之间存在的巨大的语义差异。如果直接将这些特征进行融合，由于它们的语...
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文阅读
weixin_44576543的博客
04-07 495
AugFPN: Improving Multi-scale Feature Learning for Object Detection 多尺度特征学习用于目标检测 摘要：目前的目标检测多使用金字塔获取不同尺度特征，然而FPN方式通过多尺度的融合，这种机制的设计阻碍了多尺度特征完全的融合。在本文中 分析这种设计的缺点，引入新的框架 增强FPN，特别地这种aug-FPN解决这种问题。包括连续地监督、残差特征增加。Soft Roi选择 。通过连续的监督缩小不同尺度语义信息的差异于不同尺度特征。在特征融..
论文笔记：AugFPN: Improving Multi-scale Feature Learning for Object Detection
richard_che的博客
05-13 3909
代码：https://github.com/Gus-Guo/AugFPN 论文：https://arxiv.org/abs/1912.05384 摘要 现有的SOTA检测器都使用了构建特征金字塔（不同尺度的特征组合），来提升对不同尺度（大小）的目标的检测鲁棒性。而FPN是其中的代表性工作 本文对FPN进行了分析，找到了其中的一些设计上的缺陷 针对缺陷提出了3个改进点，也正是AugFPN的3个组成部分： Consistent Supervision：用于降低不同scale之间的语义Gap Residu.
阅读论文《AugFPN: Improving Multi-scale Feature Learning for Object Detection》
juicetech的博客
05-11 1479
1 主要思想 特征金字塔结构是一种解决目标检测中多尺度问题的有效方式之一，通过一条自顶向下的通路将高层特征中包含的语义信息引入到低层特征中，从而提升小目标检测的性能。本文则继续探索FPN结构，将整个FPN结构的工作过程总结为3个阶段：特征融合前、自顶向下特征融合、特征融合后，作者在每个阶段中找到了存在的内在问题：（1）不同层级之间的特征存在较大的语义差别，这里主要是在减少特诊图的channel数量后，不同层级间的特征存在较大的语义差异。（2）最高层特征在这过程中会丢失信息，这里主要是因为使用1*1卷积来降
AugFPN: improving mult-sacle Feature learing for Object Detection 读书笔记
qq_34928047的博客
12-20 203
文章目录1.文章说的重点是啥2.针对的三个问题如歌应答2.1 第一个问题是啥，如何解答2.2 第二个问题是啥，如何解决2.3第三个问题是啥，文章如何解决 1.文章说的重点是啥 文章就是对与FPN金字塔的模型提出了三点改进。而FPN金字塔特征图是引用一篇论文 论文：feature pyramid networks for object detection 论文链接：link=https://arxiv.org/abs/1612.03144 转载与YYAILearner 在这里简单介绍一下就行。 2.针对的三
AugFPN：改进多尺度特征学习用于目标检测
热门推荐
TJMtaotao的博客，高校计算机教师
12-31 1万+
Chaoxu Guo1, Bin Fan1, Qian Zhang2, Shiming Xiang1, and Chunhong Pan1 1NLPR,CASIA 2Horizon Robotics 1{chaoxu.guo, bfan, smxiang, chpan}@nlpr.ia.ac.cn 2qian01.zhang@horizon.ai 本文工作是基于Faster R-CNN 的改进，...
ScarfNet: Multi-scale Features with Deeply Fused and Redistributed Semantics
weixin_36670529的博客
05-11 677
1、已经存在的特征金字塔方法 为了检测到变化尺寸的目标，基于特征金字塔的检测器，在不同特征层之间，基于在k特征图上的决策，例如下图(a)所示，基线检测器使用在特征层上的特征图。 其中。其中是骨干网络产生的特征图，是从后来的卷积层由底向上得到。代...
Multi-scale Feature Extraction on Point-sampled Surfaces
10-13
We present a new technique for extracting line-type features on point-sampled geometry. Given an unstructured point cloud as input, our method first applies principal component analysis on local neighborhoods to classify points according to the likelihood that they belong to a feature. Using hysteresis thresholding, we then compute a minimum spanning graph as an initial approximation of the feature lines. To smooth out the features while maintaining a close connection to the underlying surface, we use an adaptation of active contour models. Central to our method is a multi-scale classification operator that allows feature analysis at multiple scales, using the size of the local neighborhoods as a discrete scale parameter. This significantly improves the reliability of the detection phase and makes our method more robust in the presence of noise. To illustrate the usefulness of our method, we have implemented a non-photorealistic point renderer to visualize point-sampled surfaces as line drawings of their extracted feature curves.
【论文笔记】Multi-scale Feature Fusion：Learning Better Semantic Segmentation for Road Pothole Detection
m0_61899108的博客
02-07 4556
论文 论文题目：MULTI-SCALE FEATURE FUSION: LEARNING BETTER SEMANTIC SEGMENTATION FOR ROAD POTHOLE DETECTION 发表于：CVPR 2021 论文地址：https://arxiv.org/pdf/2112.13082.pdf 摘要 本文提出了一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采
FPN (Feature Pyramid Networks) 多尺度特征从认识到实践
weixin_42108090的博客
08-19 1068
Our proposed Feature Pyramid Network (FPN) is fast like (b) and ©, but more accurate. In this figure, feature maps are indicate by blue outlines and thicker outlines denote semantically stronger features. The principle advantage of featurizing each level .
【MFEN：轻量级多尺度特征提取：SR网络】
weixin_43690932的博客
01-14 9070
仅供自己参考
目标检测:AugFPN（CVPR2020）
AI-Mei的博客
09-29 5931
AugFPN: Improving Multi-scale Feature Learning for Object Detection1. 摘要1.1 现存问题1.2 解决方法1.3 性能表现2. FPN缺陷分析2.1 不同层特征的语义差距2.2 最高层特征图信息丢失2.3 RoI启发式分配策略问题3. 算法详解3.1 Consistent Supervision CVPR2020，论文中提出了AugFPN，用于解决FPN中存在的一些缺陷 1. 摘要 1.1 现存问题 目前大多数的目标检测器都使用了特征金
多尺度特征融合的目标检测算法-论文解读
oijdkd的博客
09-21 4985
1.论文声称的创新点   论文中的创新点主要体现在网络结构的创新上，作者提出了一种基于SSD多尺度特征融合（Multi-scale Feature Fusion Single Shot Detector，MFF-SSD）的目标检测模型。将高层特征与低层特征进行融合，并提出了融合模块，实现不同尺度的特征提取。   高层特征图对目标的抽象程度更深，包含充分的全局信息，具有较大的感受野和较强的上下文语义信息表征能力，因此对目标位置的判定更加准确；而低层特征图的空间分辨率要高于高层特征图，能够更加准确地识别出更多的
目标检测之AugFPN
weixin_41311686的博客
06-21 1330
整理下以前学习的Aug-FPN代码理解思路。 论文链接：https://arxiv.org/abs/1912.05384 代码链接：https://github.com/Gus-Guo/AugFPN Aug-FPN的网络结构部分比较容易理解，这里主要看看一致性监督的代码。代码是利用的mmdetection平台写的。我主要讲讲自己学习中感觉需要理解的代码，可能自己也有理解不到位的地方，对新手不太友好。总之，欢迎相互交流！把retinanet_r50_augfpn_1x作为例子，这里主要理解下他的一致性监督的创
目标检测:AugFPN---＞FPN
Maple__Boy
03-19 988
[论文名字] AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文中提出了AugFPN，用于解决FPN中存在的一些缺陷 1. 摘要 1.1 现存问题 目前大多数的目标检测器都使用了特征金字塔模式，去检测多种尺度的目标，其中，FPN就是一个代表性的结构。但是，FPN中存在很多的一些缺陷，限制了多尺度特征的充分利用。 1.2 解决方法 这篇paper中，提出了一个新的特征金字塔结构，命名为AugFPN，用来解决FPN存
探秘AugFPN：改进的多尺度特征学习，提升目标检测性能
gitblog_00007的博客
06-04 588
探秘AugFPN：改进的多尺度特征学习，提升目标检测性能 AugFPN项目地址:https://gitcode.com/gh_mirrors/au/AugFPN 项目简介 AugFPN是由Guo等人在CVPR 2020上提出的一种新式特征金字塔网络，旨在解决当前FPN（Feature Pyramid Network）在处理多尺度特征时存在的问题。该项目基于强大的mmdetection框架进行构建...
（三十）论文阅读 | 目标检测之AugFPN
Skies_的博客
07-23 1639
CVPR2020 | 目标检测之AugFPN
最新技术：Adaptively Spatial Feature Fusion自适应空间特征融合
带你成为别人眼中的大佬！
06-01 1194
YOLOv7改进ASFF系列是一种改进的目标检测框架，通过Adaptively Spatial Feature Fusion自适应空间特征融合结构来提高特征尺度的不变性。该技术充分利用了深度学习模型中的多个分支，通过特征融合来提高检测精度，并能够适应不同尺寸的物体。本文将详细介绍这项技术，并提供相关的源代码。对特征图进行降采样操作，将特征图的尺寸转换成与输出层相同，以便进行检测。各个尺度的特征图分别进入ASFF模块，完成自适应空间特征融合。将降采样后的特征图与输出层进行连接，并完成物体的识别和定位。
mask-rcnn_r101_fpn_1x_coco.py
最新发布
01-01
### Mask R-CNN ResNet-101 FPN 1x COCO Configuration File Details and Usage The `mask-rcnn_r101_fpn_1x_coco.py` configuration file specifies parameters for training a Mask R-CNN model with a ResNet-101 backbone, using Feature Pyramid Network (FPN), on the COCO dataset over one epoch. This setup is designed to perform both object detection and segmentation tasks. #### Model Architecture Specification In this configuration, the architecture employs an instance mask prediction mechanism as indicated by the parameter setting that signifies the inclusion of such functionality within the model structure[^1]. The choice of ResNet-101 provides deeper layers compared to shallower networks like VGG or even ResNet-50, potentially leading to better feature extraction capabilities especially beneficial for complex datasets like COCO which contains diverse categories of objects. #### Backbone Selection ResNet-101 serves as the backbone network due to its proven effectiveness in capturing hierarchical patterns from images through deep convolutional layers while maintaining computational efficiency via residual connections. For further enhancing multi-scale representation learning, FPN integrates top-down pathways along with lateral connections into the base CNN framework allowing improved performance across different scales of target instances during inference time. #### Training Schedule Given the suffix `_1x`, it implies a standard single-stage training schedule typically lasting around 12 epochs when applied to large scale benchmarks similar to MS COCO under default settings provided by MMDetection suite where each epoch roughly corresponds to processing all samples once throughout the entire dataset iteration process. #### Dataset Adaptation COCO stands out among other public available annotated corpora because not only does it cover extensive varieties ranging widely between common daily items up until rare animals but also comes equipped with rich annotations including bounding boxes alongside pixel-level masks making it particularly suitable for comprehensive evaluation purposes concerning visual understanding algorithms development efforts targeting real-world applications scenarios requiring high precision outputs regarding spatial localization information about detected entities present inside input imagery data streams. ```python model = dict( type='MaskRCNN', pretrained='torchvision://resnet101', # Specifies pre-trained weights source. backbone=dict(type='ResNet', depth=101), neck=dict( type='FPN', in_channels=[256, 512, 1024, 2048], out_channels=256, num_outs=5), rpn_head=dict(...), roi_head=dict(...) ) data = dict( train=dict(dataset=dict(ann_file='annotations/instances_train2017.json')), val=dict(ann_file='annotations/instances_val2017.json'), test=dict(ann_file='annotations/image_info_test-dev2017.json') ) ``` --related questions-- 1. What are some key differences between Faster R-CNN and Mask R-CNN architectures? 2. How can transfer learning be effectively utilized with pre-trained models like ResNet-101 for custom object detection projects? 3. In what ways do various backbones impact the overall accuracy versus speed trade-off in modern detector designs? 4. Can you explain how FPN contributes towards improving small object detection results specifically within Mask R-CNN implementations?
评论 11
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