【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
最新推荐文章于 2024-11-14 17:42:36 发布
阅读量1.4k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读
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/wqwqqwqw1231/article/details/102489852
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。

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

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效果会受限制，SSD就是使用这种结构。
  • d图：Feature Pyramid，特征金字塔，解决了©图中的问题，使得下面几层的feature map在保持高分辨率的同时也有semantic的信息。

在不同的Stride上的feature map上做Detection，对

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 3988
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...
【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！...
目标检测--- STDN：Scale-Transferrable Object Detection
qq_20481015的博客
08-09 966
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 1192
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...
torchvision Faster-RCNN ResNet-50 FPN代码解析（图片转换和坐标）
大飞的博客
10-04 3416
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,
【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 1719
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 1017
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】【二维目标检测】RepPoints: Point Set Representation for Object Detection
麒麒哈尔的博客
11-01 1657
为什么不单独测试两组reppoints， 与上一篇的对比，说是在abalation study一样的那个 init center——》box，与yolo什么关系 init box——》reppoints是怎么操作的 Appendix中的reppoint没解释清楚啊。 ...
PaddleDetection-YOLOv3模型配置文件解读
qq_45684033的博客
11-15 2263
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 5258
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
02-23 695
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 6万+
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...
文献阅读：Feature Pyramid Networks for Object Detection
czp_374的博客
01-31 789
摘要：特征金字塔（Feature pyramids）是用于检测不同尺度（at different scales）的对象的识别系统中的基本组件。 但是最近的深度学习物体检测器（object detectors）已经避免了金字塔表示（pyramid representations），部分原因（in part because）是它们的计算复杂度高（they are compute and memory ...
paper survey（2019.06.05）——卷积网络feature map的传递与利用
gwpscut的博客
06-05 5142
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 5826
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 2513
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...
halcon 深度学习目标检测个数
最新发布
01-15
### 使用Halcon进行深度学习目标检测并统计检测到的目标数量 #### 创建和训练模型 为了在 Halcon 中执行深度学习对象检测，通常会先创建或加载预训练的神经网络模型。如果选择微调现有模型，则可以按照特定应用调整最后一层分类器而不改变特征提取部分[^3]。 对于三维物体识别任务来说，一些方法跟随二维物体检测的成功经验，并基于三维提议网络及其分类而构建[^2]；然而，在 Halcon 的环境中主要还是处理二维图像数据。 ```cpp // 加载预先训练好的模型文件 (.hdl 或 .ilp 文件) read_dl_model ('Path_to_pretrained_model', 'ModelHandle') ``` #### 准备输入图片 接着准备待分析的图像作为输入给定至已建立之深度学习框架内： ```cpp // 读取测试图像 read_image (Image, 'path/to/image') // 如果必要的话，对图像做一些前处理操作比如缩放尺寸等 scale_image (Image, ImageScaled, ScaleX, ScaleY) ``` #### 执行推理过程 利用 `classify_object_dl` 命令来运行推断流程，这一步骤将会返回一系列矩形框包围着可能存在的各个实例连同其类别标签与置信度得分一起输出。 ```cpp // 对单张或多张图像实施预测动作 classify_object_detection_deep_learning (ModelHandle, ImageScaled, ResultHandle) // 获取结果中的边界框信息和其他属性 get_object_info2 (ResultHandle, RowBegin, ColumnBegin, RowEnd, ColumnEnd, Confidence, ClassID) ``` #### 统计被发现的对象数目 最后通过计算所获得的结果集中有效条目的总数即可得知实际探测出来的个体数。 ```cpp // 计算检测到的对象的数量 count_obj := |RowBegin| // 这里假设所有的数组长度相同且代表了有效的检测结果 ``` 以上就是如何运用 HALCON 实现深度学习下的目标检测工作流概览以及怎样确定最终得到的目标个数的方法介绍。
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