【论文阅读笔记】M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network

最新推荐文章于 2022-12-03 16:38:23 发布

BIT可达鸭

最新推荐文章于 2022-12-03 16:38:23 发布

阅读量889

点赞数

分类专栏： ▶ 深度学习-计算机视觉文章标签：计算机视觉深度学习机器学习

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/weixin_44936889/article/details/104269829

版权

▶ 深度学习-计算机视觉专栏收录该内容

155 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

M2Det是作者提出的一种改进的目标检测器，通过多级特征金字塔网络（MLFPN）解决目标检测中的语义特征不足问题。特征融合模块（FFM）和联级轻量U形模块（TUM）结合，形成包含多级特征的特征金字塔。此外，尺度特征聚合模块（SFAM）用于融合不同level的特征，提升检测效果。实验结果显示，M2Det在牺牲计算效率的同时，提高了检测准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network

（一）论文地址：
（二）核心思想：
（三）Introduction：
（四）特征融合模块（FFM）：
- 4.1 FFM1：
- 4.2 FFM2：
（五）联级轻量 U 形模块（TUM）：
（六）尺度特征聚合模块（SFAM）：
（七）网络参数配置：
（八）实验结果：

（我见过的最花哨的目标检测器，牺牲时间和计算复杂度来换取准确度）

（一）论文地址：

https://arxiv.org/abs/1811.04533

（二）核心思想：

虽然特征金字塔已经被广泛用于 one-stage（如DSSD，RefineDet）和 two-stage（Mask RCNN，DetNet）的目标检测器，但是有一个问题就是它们只是简单地使用了或者改进了原本用于图像分类的网络作为 backbone；

在这里插入图片描述

因此作者提出了使用多级特征金字塔网络（Multi-Level Feature Pyramid Network，简称 MLFPN）来构建了一个更高效的特征金字塔，用于多尺度目标的简检测；

并且作者提出了将 backbone 的特征输入到联级轻量 U 形模块（joint Thinned U-shape

了解本专栏

超级会员免费看

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

BIT可达鸭 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

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。