AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文阅读

最新推荐文章于 2024-06-04 09:55:49 发布
最新推荐文章于 2024-06-04 09:55:49 发布
阅读量492 收藏
点赞数
分类专栏： 论文阅读 文章标签： 深度学习 计算机视觉
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_44576543/article/details/115483532
版权
本文分析了FPN在目标检测中多尺度特征融合的不足，提出了AugFPN框架，通过连续监督、残差特征增强和软Roi选择来改进。连续监督减小不同尺度语义信息的差异，残差特征增强保留高层特征信息，软Roi选择优化目标特征选择，从而提高目标检测性能。

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

 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。在特征融合阶段 通过残差特征增强提取比例不变的上下文信息，减少了

最低0.47元/天 解锁文章
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文笔记
qq_30146937的博客
04-21 1433
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
weixin_41965872的博客
03-24 1346
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...
[目标检测]--AugFPN：Improving Multi-scale Feature Learning for Object Detection
weixin_42096202的博客
12-18 6158
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（...
阅读论文《AugFPN: Improving Multi-scale Feature Learning for Object Detection》
juicetech的博客
05-11 1478
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
论文笔记：AugFPN: Improving Multi-scale Feature Learning for Object Detection
richard_che的博客
05-13 3908
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.
AugFPN：改进多尺度特征学习用于目标检测
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，...
AugFPN: improving mult-sacle Feature learing for Object Detection 读书笔记
qq_34928047的博客
12-20 199
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
目标检测之FPN、AugFPN、NAS-FPN
热门推荐
何少的博客
02-23 2万+
针对小目标的检测有提升的文章。 未完待续~ Feature Pyramid Networks for Object Detection FPN是一种多尺度的目标检测算法。大多数目标检测算法都是采用顶层特征来做预测的，但是我们知道：低层的特征语义信息较少，但是位置信息丰富；高层的特征语义信息丰富，位置信息粗略。虽然也有些多尺度特征融合的方法，但是一般采用融合后的特征做预测，但是FPN是在不同特征...
目标检测之AugFPN
weixin_41311686的博客
06-21 1329
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（CVPR2020）
AI-Mei的博客
09-29 5926
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
（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
探秘AugFPN：改进的多尺度特征学习，提升目标检测性能
最新发布
gitblog_00007的博客
06-04 587
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...
linux,AugFPN环境配置
White_yn的博客
08-23 336
AugFPN环境配置CUDA10.0 创建环境： conda create -n AugFPN python=3.7 激活环境： source activate AugFPN 安装pytorch. 版本： torch-1.1.0 torchvision-0.3.0 git clone https://github.com/open-mmlab/mmdetection.git 安装mmdet和mmcv cd mmdetection pip install cython pip install mmcv-ful
MDFN: Multi-scale deep feature learning network for object detection 文章翻译及学习
qq_40617397的博客
11-09 1753
MDFN: Multi-scale deep feature learning network for object detection 用于目标检测的多尺度深层特征学习网络 请结合论文共食。 3 Deep feature learning network 3.1 deep feature extraction and analysis 假设： 这些特征图应该能够提供精细的细节，尤其是对于较早的图层而言； 转换特征图的功能应扩展到足够深的层，以便可以将对象的高级抽象信息构建到特征图中； 特征图应包含适当的
目标检测:AugFPN---＞FPN
Maple__Boy
03-19 987
[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
【MFEN：轻量级多尺度特征提取：SR网络】
weixin_43690932的博客
01-14 9048
仅供自己参考
一文看尽10篇目标检测最新论文（SpineNet/AugFPN/LRF-Net/SABL/DSFPN等）
fengdu78的博客
12-18 2086
点击上方“CVer”，选择加"星标"或“置顶”重磅干货，第一时间送达前言一周前 Amusi 整理了目标检测（Object Detection）较为值得关注的论文：一文看...
论文复现——AC-FPN：Attention-guided Context Feature Pyramid Network for Object Detection.
RookiChen的博客
06-20 3908
我复现的源码中加入了CxAM和CnAM模块，但是官方源码给出的是只有CEM的ACFPN，因为单独使用CEM也能有不错的效果（事实确实是如此，我自己训练时加了AM模块，精度降低，损失增大了
AC-FPN解读 --- Attention-guided Context Feature Pyramid Network for Object Detection
梦坠凡尘
06-10 9249
论文：https://arxiv.org/pdf/2005.11475.pdf 代码：https://github.com/Caojunxu/AC-FPN 摘要 对于目标检测，如何解决高分辨率输入上的特征图分辨率与感受野之间的矛盾要求仍然是一个悬而未决的问题。在本文中，为了解决这个问题，我们建立了一种新颖的体系结构，称为注意力导向的上下文特征金字塔网络（AC-FPN），该体系结构通过集成注意力导向的多路径功能来利用来自各个大型感受野的判别信息。该模型包含两个模块。第一个是上下文提取模块（CEM），它从多个接
推荐20篇关于多特征服装检索的文献
04-11
8. 《Multi-feature Clothing Retrieval using Multi-task Learning and Object Detection》 9. 《Clothing Retrieval with Multi-view and Multi-scale Features using a Dual Attention Network》 10. 《Multi-...
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