Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - 稀疏-RCNN：具有可学习提议的端到端对象检测--阅读笔记

已于 2022-11-26 12:08:01 修改
阅读量605 收藏 1
点赞数 1
文章标签： 目标检测 cnn 论文阅读 深度学习
于 2022-11-24 17:46:13 首次发布
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/wfl6666/article/details/128013772
版权

在这里插入图片描述
题目：Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
作者：Peize Sun1∗, Rufeng Zhang2∗, Yi Jiang3∗, Tao Kong3, Chenfeng Xu
发表单位：港大，同济，字节跳动AI lab
关键词：端到端物体检测，proposal boxes , proposal features , Sparse
论文：Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
代码：https://github.com/PeizeSun/SparseR-CNN

1 Motivation

  • 下表格是目标检测领域主流的两大类方法与本文方法的比较
在这里插入图片描述 第一类就是使用大量的目标候选框，如DPM、YOLO、RetinaNet、FOCS：滑动窗口、基于锚框、基于参考点；这些东西被提前预设在图像网格或者
最低0.47元/天 解锁文章
wfl6666
关注
【第22篇】Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
m0_47867638的博客
06-22 139
论文地址：https://arxiv.org/abs/2011.12450我们提出了 Sparse R-CNN，这是一种用于图像中对象检测的纯稀疏方法。现有的对象检测工作严重依赖于密集的候选对象，例如在大小为 H × W 的图像特征图的所有网格上预定义的 k 个锚框。然而，在我们的方法中，向对象识别头提供一组固定的稀疏学习对象提议，总长度为 N，以执行分类和定位。
【第12篇】Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
AI浩
09-22 626
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals 论文地址：https://arxiv.org/abs/2011.12450 摘要 我们提出了 Sparse R-CNN，这是一种用于图像中对象检测的纯稀疏方法。现有的对象检测工作严重依赖于密集的候选对象，例如在大小为 H × W 的图像特征图的所有网格上预定义的 k 个锚框。然而，在我们的方法中，向对象识别头提供一组固定的稀疏学习对象提议，总长度为 N，以执行分类和定位。通
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译
Q1u1NG的博客
12-04 1341
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals论文翻译摘要 论文地址：Sparse R-CNN: End-to-End Object Detection with Learnable Proposals 代码地址：https://github.com/PeizeSun/SparseR-CNN 摘要 我们提出了Sparse R-CNN，一种纯稀疏的方法用于图像中的目标检测。现有的目标检测工作很大程度上依赖于密集候选目标，如在
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
dawnyi_yang的博客
05-22 1003
摘要 过去的目标检测都严重依赖设置密集的目标候选框（如Faster R-CNN），比如对特征图（HW）每个像素设置k个anchor boxes，这样就会有成千上万个acnhors（HW*k），这样过于低效。因此作者提出一种稀疏的anchor设置方法，设置N个可学习的object proposals，用于检测头的分类和位置检测。Sparse RCNN避免了人工设置候选框的大量超参数以及多对一的正负样本分配。更重要的是，最终的预测结果可以直接输出而不需要NMS(非极大抑制)。 论文地址：Sparse R-CNN
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - 论文阅读翻译
深度检测的博客
12-10 805
Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - 论文阅读翻译 文章目录Sparse R-CNN: End-to-End Object Detection with Learnable Proposals - 论文阅读翻译一、Abstract二、Introduction三、Sparse R-CNN3.1. Pipeline3.2. ModuleBackboneLearnable proposal box.Learnabl
稀疏RCNN：稀疏框架，端到端的目标检测（附源码）
gzq0723的博客
07-08 1379
计算机视觉研究院专栏作者：Edison_GSparse R-CNN抛弃了anchor boxes或者reference point等dense概念，直接从a sparse set of l...
sparse r-cnn: end-to-end object detection with learnable proposals
03-16
Sparse R-CNN是一种端到端的物体检测方法，其中使用可学习的提议来检测目标。与传统的R-CNN方法不同，Sparse R-CNN使用了稀疏的特征图来提高检测效率。该方法在多个数据集上进行了测试，并取得了很好的性能。
Sparse R-CNN 论文精读
Flying Bulldog 的博客
08-15 3836
文章的创新点： 首次提出动态实例交互头：在迭代结构中，结合线性投影、矩阵乘法、归一化和ReLU激活函数对输入的提议框和提议特征进行一系列操作，最终得到叠加的学习特征。 剔除NMS，选用DETR中的匈牙利匹配优化 Sparse：提议特征默认选用100个，比以往的传统CNN的手工预选框少了几十倍 主要结合Fast R-CNN、DETR和Deformer DETR构造的框架...
CVPR2021: Sparse R-CNN新的目标检测模型
deephub
08-02 5174
今天我们将讨论由四个机构的研究人员提出的一种方法，其中一个是字节跳动人工智能实验室。他们为我们提供了一种新的方法，称为稀疏R-CNN(不要与 Sparse R-CNN 混淆，后者在 3D 计算机视觉任务上使用稀疏卷积)，该方法在目标检测中实现了接近最先进的性能，并使用完全稀疏和可学习的方法生成边界框。 相关工作 让我们从对现有检测方法的简短概述开始。 稠密的方法 其中一种应用广泛的方法是单级检测器，直接预测锚盒的标签和位置，稠密覆盖空间位置、尺度和纵横比，以一种一次性的方式生成分类和边界框。如SSD、YOL
Sparse R-CNN细节剖析
weixin_43702653的博客
09-09 1444
Sparse R-CNN细节剖析
【目标检测】25、Sparse R-CNN: End-to-End Object Detection with Learnable Proposals
呆呆的猫的博客
06-28 1589
文章目录一、背景二、动机三、方法3.1 Backbone3.2 Learnable proposal box3.3 Learnable proposal feature3.4 Dynamic instance interactive head3.5 Set prediction loss四、效果 一、背景 目前的目标检测方法很大程度上依赖于密集的候选框，如在特征图 H×WH \times WH×W 上的每个 grid 预设 kkk 个 anchors，且取得了较好的效果。 但这些方法有以下问题： 这
Sparse R-cnn论文阅读
qq_42383076的博客
09-17 546
一、论文阅读 1、Abstract （1）作者想解决什么问题（Question）？ 现有的检测工作基本都依靠密集检测器（特征框数量过多，并且在整张图像上提取特征，效率低，拉慢速度？）为什么不使用稀疏检测器优先？ （2）作者通过什么理论/模型来解决这个问题（method）？ Sparse R-CNN（一种纯稀疏的方法），使用总数为N，稀疏的可学习的目标提取框，让目标识别器更好的进行分类和定位。 （3）作者给出的答案是什么（answer）？ 将成千上万个目标候选框减少到N个可学习的提取框，避免将所有精力放在目标
从cascade RCNN到sparse Rcnn
qq_36846729的博客
10-27 1504
sparse rcnn head解析笔记
论文精度笔记(四)：《Sparse R-CNN: End-to-End Object Detection with Learnable Proposals》
源的博客
06-30 492
文章目录论文以及源码获取论文题目参考文献研究背景新架构仿真分析总结 论文以及源码获取 论文下载：点击 源码下载：点击 论文题目 《Sparse R-CNN: End-to-End Object Detection with Learnable Proposals》 《稀疏R-CNN:端到端基于可学习建议的目标检测》 参考文献 Sun P, Zhang R, Jiang Y, et al. Sparse R-CNN: End-to-End Object Detection with Learnable Pr.
计算机视觉论文速递（四）Dynamic Sparse R-CNN：Sparse R-CNN升级版，使用ResNet50也能达到47.2AP
与君共勉，一起学习
05-15 1144
计算机视觉论文速递（三）YOLO-Pose：《Enhancing YOLO for Multi Person Pose .....》实时性高且易部署的姿态估计模型1. 摘要2. 引言3. 相关工作3.1 General Object Detection3.2 Label Assignment3.3 Dynamic Convolution4. Dynamic Sparse R-CNN4.1 回顾Sparse R-CNN4.2 Dynamic Label Assignmentunits增加策略4.3 Dynam
全网首发！超详细的SparseR-CNN实战
2401_84558388的博客
04-29 366
3.5 编译Sparse R-CNN进入Sparse R-CNN目录，目录根据自己的实际情况更改。编译Detectron2和Sparse R-CNN看到如下信息，则表明安装完成，如果缺少库的情况，则需要安装库，再编译，直到编译成功！4、测试环境新建input_img和output_img文件夹，imgs文件夹存放待测试的图片。图片如下：下载模型“r50_100pro_3x_model.pth”(注：如果不能下载，关注我的公众号获取连接。
2024年全网首发！超详细的SparseR-CNN实战，面试官误区
最新发布
2401_84572752的博客
05-10 629
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
Sparse R-CNN论文汇报
qq_43561292的博客
05-14 949
Sparse R-CNN 汇报 Sparse R-CNN原理简介
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