【论文阅读】【二维目标检测】Object Detection中的Scale问题

最新推荐文章于 2024-11-14 17:42:36 发布
原创 最新推荐文章于 2024-11-14 17:42:36 发布 · 1.4k 阅读 · 0 ·
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。

本文探讨了Object Detection中Scale问题的挑战，介绍了FPN、SNIP、SNIPER和Trident等解决方案。FPN通过Feature Pyramid解决速度和效率问题，SNIP重新审视Image Pyramid的有效性，SNIPER优化了训练效率，而Trident网络利用不同dilation的卷积应对不同Scale物体。实验表明，这些方法各有优劣，对不同大小物体的检测效果各异。

文章目录

最近看了一下Object Detection在Scale问题上的发展，本文将介绍下面四篇论文
Feature Pyramid Networks for Object Detection
An Analysis of Scale Invariance in Object Detection – SNIP
SNIPER: Efficient Multi-Scale Training
Scale-Aware Trident Networks for Object Detection

FPN：Feature Pyramid Networks for Object Detection

该文章可以说是提出了目前使用最广泛的解决Scale的方法，该方法最主要的贡献在于将解决Scale的问题的方法从Image Pyramid变成了Feature Pyramid，Feature Pyramid的优势在于计算速度快，原因在于不用在不同Scale的图片上多次做检测，共用了同一个特征金字塔。

对于这篇文章，其精髓就在于下图
在这里插入图片描述

  • a图：Image Pyramid，图像金字塔，传统CV中主要使用的方法，在不同尺度的图片中构建特征从而使得特征拥有Scale Invariance的特性。但用于神经网络中，对于(a)图，就得训练4个Detector来对4个Scale的图片进行检测。这样子网络网络大，而且计算量大。
  • b图：Single Scale，图像分类使用的模型。在该模型上做Object Detection，没有对不同Scale的物体做区分。
  • c图：使用了特征金字塔，但由于下面几层的特征提取不够充分，感受野小的问题，使用下面几层的特征做Detection效果会受限
最低0.47元/天 解锁文章
StyleGAN2探骊得珠（一）：论文精读与注释，文中的SCALE这个词到底是什么意思？
weixin_41943311的博客
04-21 4072
StyleGAN2的论文标题是：《Analyzing and Improving the Image Quality of StyleGAN》，它剖析了第一代StyleGAN实践中发现的一些深层次问题，并就此进行了一些卓有成效的优化。 研究这篇论文，让我们有机会能够一窥神经网络实践中的一些奥妙，有助于我们理解神经网络的设计原理和技巧，使得我们有可能设计自己的神经网络并对它进行优化。 Style...
torchvision Faster-RCNN ResNet-50 FPN代码解析（图片转换和坐标）
大飞的博客
10-04 3486
图像转换 在torchvision\models\detection\faster_rcnn.py构造函数中，指定了image mean/std，这些前面笔记中都介绍了原因，这里不多说了，这里还指明了最大和最小的图像长宽，这里是800和1333，表明转换出来的图像不能超出800x1333或者1333x800这个尺寸。 class FasterRCNN(GeneralizedRCNN): def __init__(self, backbone, num_classes=None,
目标检测--- STDN：Scale-Transferrable Object Detection
qq_20481015的博客
08-09 994
STDN：Scale-Transferrable Object Detection CVPR2018 http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_Scale-Transferrable_Object_Detection_CVPR_2018_paper.pdf 概述 当前目标检测领域主要两大分支，一个是特征提取+分类器...
目标检测平衡训练：Libra R-CNN: Towards Balanced Learning for Object Detection 论文翻译解读
today__present的博客
03-17 1万+
Libra R-CNN: Towards Balanced Learning for Object DetectionAbstractIntroductionSample level imbalanceFeature level imbalanceObjective level imbalanceRelated workSample level imbalanceFeature level imbalanceObjective level imbalanceMethodologyIoU-balanced S
论文阅读笔记五十三：Libra R-CNN: Towards Balanced Learning for Object Detection(CVPR2019)
weixin_33738982的博客
04-24 1208
论文原址：https://arxiv.org/pdf/1904.02701.pdf github:https://github.com/OceanPang/Libra_R-CNN 摘要 相比模型的结构，关注度较少的训练过程对于检测器的成功检测也是十分重要的。本文发现，检测性能主要受限于训练时，sample level,feature level,objective level...
【论文阅读】【综述】3D Object Detection 3D目标检测综述
麒麒哈尔的博客
06-04 4万+
aaa3D Detection新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 3D Detection 你好！...
【论文阅读】【二维目标检测】Anchor Free的2D Object Detection的方法总结
麒麒哈尔的博客
09-02 1762
目录Anchor Free 想要解决的问题早期探索DenseBoxYOLOv1cornercenter3D Object Detection相关博客： Anchor Free的Object Detection的多个方法被提出来，我最近也是集中地看了几篇Anchor Free的文章，文章来源是奇点汽车美研中心首席科学家兼总裁黄浴先生的的一篇总结。这篇文章中罗列Anchor Free的一些方法，但比较...
目标检测(object detection)
m0_63276919的博客
11-14 1121
目标检测广泛应用在多个领域：无人驾驶，机器人…那么如何去定位一个目标的位置呢？
[论文阅读]CenterFormer——基于center的三维目标检测Transformer
qq_53909832的博客
09-18 1万+
CenterFormer论文阅读
PaddleDetection-YOLOv3模型配置文件解读
qq_45684033的博客
11-15 2364
如题
【目标检测】目标检测中的多尺度检测（Multi-Scale），FPN，RPN
Hali_Botebie的博客
09-12 5448
问什么要查这个呢？ 因为造了个网络图，不确定图二的F 是不是对应于图一的conv 图一 图二 参考：https://bbs.cvmart.net/articles/125 1、目标检测是如何提高多尺度（较大或较小）物体检测率的。 我们来回顾一下，首先，较大的卷积窗口可以卷积后看到较大的物体, 反之只能看到较小的图片. 想象用1x1的最小卷积窗口, 最后卷积的图片粒度和输入图片粒度一模一样. 但是如果用图片长宽 的卷积窗口, 只能编码出一个大粒度的输出特征. 2、如果每层的卷积窗口大小一致 例如yolov
论文阅读|训练过程中动态改变训练方案的Dynamic R-CNN
yanghao201607030101的博客
02-23 726
二阶段的目标检测器，提出在训练的迭代过程中动态的改变分类器的标签分配标准（IoU阈值）和回归损失函数的形式（SmoothL1 Loss），不引入额外代价的前提下提高了精度。
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 7万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
paper survey（2019.06.05）——卷积网络feature map的传递与利用
gwpscut的博客
06-05 5257
最近阅读大量的paper来寻找突破点，就不打算一篇一篇的写博文的，直接记录于此（比较有意思的paper会独立出来博客） 目录 《Scale-Transferrable Object Detection》 《Weakly Supervised Phrase Localization with Multi-Scale Anchored Transformer Network》 《Fact...
【学习笔记】High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP
南瓜灯先生的博客
04-13 5882
论文地址：https://arxiv.org/abs/1904.02948v1 代码地址：https://github.com/liuwei16/CSP 1、概述 传统的目标检测大多基于滑动窗体或者先验框方式，而无论哪个方法都需要繁杂的配置。本文中所介绍的检测器（CSP--Center and Scale Prediction），以行人检测为例，提出了一个高级语义特征检测的...
Object Detection(目标检测神文)---3
03-23 2万+
Object Detection on Mobile Devices Pelee: A Real-Time Object Detection System on Mobile Devices intro: ICLR 2018 workshop track intro: based on the SSD arxiv: https://arxiv.org/abs/1804.06882 ...
目标检测NAS-FPN(文章发表时间2019_4)
bujingyu12345的博客
04-23 2531
转载 首先看这篇文章 https://www.jiqizhixin.com/articles/2019-04-22-12 下面是对上面文章的补充 大纲 abstract 1introduction FPN就是用来特征融合的层，之前都是手工设计，现在尝试神经网络搜索设计！ 其实就是优化FPN 2related work 2.1 architecture for pyramidal represent...
综述 | 目标检测中的多尺度检测方法
m0_61899108的博客
03-01 6359
本文从降低下采样率与空洞卷积、多尺度训练、优化Anchor尺寸设计、深层和浅层特征融合等多个方面入手，对目标检测中的多尺度检测方法进行了全面概述，并介绍了多尺度检测相关方法。 前面的话 传统卷积网络通常采用从上到下的单行结构。对于大物体而言，其语义信息将出现在较深的特征图中；而对于小物体，其语义信息出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失。 多尺度检测也是当今物体检测领域最为活跃的研究主题之一，本文主要介绍：多尺度检测。 多尺度是目标检测与图像分类两个任务的一大区别。分类问
【目标检测-预处理】高性能实现
博观约取，厚积薄发
04-09 3315
本文是你真的理解高性能吗-预处理高性能_哔哩哔哩_bilibiq的学习笔记！ 预处理指的是 把图像变成 tensor 输入到神经网络去的过程。 首先看 YOLOX 的实现：YOLOX/yolox.cpp at main · Megvii-BaseDetection/YOLOX · GitHub cv::Mat img = cv::imread(input_image_path); int img_w = img.cols; int img_h = img.rows; .
Exploring data augmentation for multi-modality 3D object detection
最新发布
12-29
### 数据增强技术在多模态3D目标检测中的应用 对于多模态3D目标检测，在计算机视觉领域内，数据增强方法旨在通过变换输入数据来增加模型训练的有效样本数量并提升泛化能力。具体到多模态场景下，这些方法不仅涉及图像层面的操作，还包括点云和其他传感器信号的处理。 #### 图像域的数据增强 传统的二维图像上的几何变换同样适用于基于摄像头获取的RGB图片或热成像图等： - **随机裁剪与缩放**：通过对原始图像执行不同尺度下的裁切操作，可以模拟远近变化的效果[^1]。 - **颜色抖动**：调整亮度、对比度、饱和度等因素有助于提高算法应对复杂光照条件的能力。 ```python import torchvision.transforms as transforms transform = transforms.Compose([ transforms.RandomResizedCrop(size=(224, 224), scale=(0.8, 1.2)), transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), ]) ``` #### 点云域的数据增强 针对LiDAR或其他雷达设备产生的三维空间坐标集合——即点云数据，则有专门设计的技术手段用于扩充其多样性： - **旋转和平移扰动**：沿任意轴向施加微小角度偏转或是位移量级内的变动能够有效防止过拟合现象的发生。 - **噪声注入**：引入高斯分布形式的小幅波动至各维度数值上，以此检验网络结构鲁棒性的强弱程度。 ```python import numpy as np def apply_noise(points, sigma=0.01): noise = np.random.normal(scale=sigma, size=points.shape) noisy_points = points + noise return noisy_points ``` #### 跨模态联合增强策略 考虑到多种感知源之间可能存在关联性特征共享的情况，跨模态同步实施相同类型的转换动作显得尤为重要。比如当对相机视角做水平翻转变换时，也应相应地改变激光雷达所记录下来的物体朝向信息；同理，在调节色彩参数的同时保持其他物理属性不变等等。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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