【论文阅读】【二维目标检测】Label Assignment四连击

最新推荐文章于 2024-10-31 14:19:40 发布
最新推荐文章于 2024-10-31 14:19:40 发布
阅读量1.4k 收藏 3
点赞数 1
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/118682742

文章目录

Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection

2020 CVPR

我在另外一篇博客中介绍过了，这里就简述一下。

每一个scale的特征图给一个固定尺寸的anchor。对一个gt：1）在每个特征图中找k个中心点距离最近的anchor，并计算IoU；2）对于所有scale的特征图拿到的anchor和它们的IoU，计算IoU的mean和std，IoU在mean+std以上的anchor设置为正。

ATSS起到了根据center来

最低0.47元/天 解锁文章
论文阅读笔记 | 三维目标检测——CenterPoint算法
Clichong
12-08 4677
与2d检测相比，3d检测面临一些特别的挑战：1）点云的稀疏性导致大部分空间为空；2）输出需要产生带方向的3d框，这不能与坐标系进行很好的对齐；3）3d目标的尺寸范围变化比较大。也很好理解，**在一个3d框的自由度比较高，具有方向的属性，在空间上难以和坐标轴对齐**，2d的axis-aligned的方法对3d检测也就不太适用。 为此，**CenterPoint的核心思想就是将框预测改为中心点预测来避免这个问题的出现**。预测目标框的中心点避免了方向属性，减少了搜索空间；其次对于中心点的方法可以简化一些例如目
目标检测标签分配系列(label assign)论文汇总
深度检测的博客
09-09 1852
目标检测标签分配系列论文汇总整理 针对当前较火热的目标检测标签分配问题的系列论文的汇总，链接内含论文下载地址。 1、2019CVPR 《Feature Selective Anchor-Free Module for Single-Shot Object Detection》       文章阅读解析待补充… 2、2020CVPR《Prime Sample Attention in Object Detection》   &nb
目标检测中的Label Assignment
Annie_Bear_的博客
11-19 2913
Faster R-CNN 分配策略： 计算anchor与ground truth之间的IoU，IoU>fg_thres(0.7)作为正样本，IoU<bg_thres(0.3)作为负样本，IoU在bg_thres~fg_thres(0.3~0.7)之间作为ignore样本(不参与训练)。 存在问题： ①IoU不能代表anchor的定位能力，IoU在0.3以下的anchor也可能被回归到0.7以上； ②IoU为0.95和0.75的anchor有优劣之分，但一刀砍策略无法体现它们的区别；
目标检测之Label Assignment
Left_control_right的博客
12-23 995
Label Assignment字面意思译作标记分配，目标检测问题一般包括分类和回归两个子任务，那么其Label Assignment就包括下面两个方面：分类任务中正负样本的分配规则和回归任务中回归目标的表示形式。 分类任务中目标类别的判别规则 IoU阈值判别方法：通过 anchor 与 ground truth框之间的 IoU 阈值判定是 positive、negative 还是 ignore。例如RetinaNet中IoU 高于 0.5 为 positive，低于 0.4 为 negative，其.
目标检测中的label assignment
dekiang
07-19 810
目录1. 概述 1. 概述 与分类和分割不同，目标检测存在其特有的正负样本定义问题（label assignment），其显著影响着检测器的检测性能。 label assignment根据是否需要适应多层结构，存在不同维度的定义： (1) 在FPN出现前，label assignment只需要考虑特征图的每个位置的正负性，我们称其为spatial dimension。 (2) 在FPN出现后，label assignment除了需要考虑特征图的每个位置的正负性，还需要考虑某个尺寸的特征图应预测哪个尺寸范围
目标检测中对于box assignment的策略 （label assignment in object detection)
weixin_43120238的博客
12-25 556
Label Assignment 是目标检测中重要的一步，其对propose的anchor box/anchor point打上label（是postive还是negative/ignore）。其中包含了两个挑战： （1）Negative 样本太多 --> 正负样本不均衡； （2）没有一个统一的评定标准 --> 是一个trial and error的过程。 现在主流的framework的方式： （1）Faster RCNN / SSD / RetinaNet 一个grid cell中有多个anc
小目标检测方法——基于距离相似度SimD的标签分配策略（附论文及源码）
最新发布
panda HAHA的博客
10-31 1415
小物体检测正成为计算机视觉中最具挑战性的任务之一，这是因为物体尺寸有限以及信息不足。标签分配策略是影响物体检测准确性的一个关键因素。尽管存在一些针对小物体有效的标签分配策略，但大多数策略侧重于降低对边界框的敏感度以增加正样本的数量，并且具有一些需要设置的固定超参数。然而，更多的正样本并不一定带来更好的检测结果；实际上，过多的正样本可能导致更多的假阳性。在本文中，我们介绍了一种简单而有效的策略，名为相似距离（SimD），用于评估边界框之间的相似度。
Label Assign综述：提升目标检测上限
极市平台的技术博客
08-15 942
原文链接：https://bbs.cvmart.net/topics/2960 专注计算机视觉前沿资讯和技术干货 微信公众号：极市平台 官网：https://www.cvmart.net/ 最近因为AutoAssign这篇paper的原因，再加上之前对目标检测中label assign问题很感兴趣， 看了几篇label assign相关论文（FreeAnchor、ATSS、AutoAssign），梳理一下几篇论文的关系做个记录~~ 我用一张图大致梳理出几个label assign相关论文的关系 Free
Dual Weighting Label Assignment（CVPR 2022）论文与代码解析
00000cj的博客
01-22 1591
本文探索了一种新的加权范式，称为双加权dual weighting（DW）来分别定义正权重和负权重。作者首先通过分析目标检测中的评价指标，确定正/负权重的关键影响因素，然后在这基础上设计正/负权重。具体来说，一个样本的正权重由其分类和定位得分之间的一致性确定，而负权重被分解为两项：样本作为负样本的概率和重要性。这种加权策略为区分重要样本和不重要样本提供了更大的灵活性，从而得到一个更有效的检测模型。
Label Assignment
weixin_50862344的博客
09-18 357
Label Assignment
目标检测: 一文读懂 OTA 标签分配
热门推荐
weixin_46142822的博客
04-10 1万+
论文：OTA: Optimal Transport Assignment for Object Detection 论文链接：https://arxiv.org/abs/2103.14259 代码链接：https://github.com/Megvii-BaseDetection/OTA 文章目录1 什么是标签分配？2 为什么提出OTA？3 OTA方法3.1 OTA 思路3.2 Optimal Transport3.3 OT for Label Assignment4 OTA实施细节5 OTA效果性能
OTA：用最优传输理论解决目标检测label assign问题(cvpr2021)
lt1103725556的博客
05-19 1279
最优传输理论： 两种主体，一个供应商(supplier)，一个客户(demander) n个供应商，每个供应商有k个货物，m个客户，每个客户需要s个货物 同时满足n∗k=m∗sn*k=m*sn∗k=m∗s，也就是说所有供应商的货物都能给出去，所有客户都能拿到需要的货物 要解决的是供应商把货物交给客户的运输费用最小化问题，所以叫做最优传输问题 先不讲如何解决这个问题，自然有各种办法解决。 OTA这篇文章就是把label assign问题用最优传输问题建模，然后用最优传输问题的常规方法去解决。 建模： 对于一张
OTA: Optimal Transport Assignment for Object Detection 原理与代码解读
00000cj的博客
11-23 3135
从 \(gt_{i}\) 传输一个正标签到anchor \(a_{j}\) 的运输成本 \(f^{fg}\) 定义为它们之间的分类损失和回归损失的加权和。其中 \(\oslash\) 表示背景类，把 \(c^{bg}\in \mathbb{R}^{1\times n}\) 拼接到 \(c^{fg}\in \mathbb{R}^{m\times n}\) 的最后一行即得到了完整的cost matrix \(c\in \mathbb{R}^{(m+1)\times n}\)。在标准的最优传输问题中，
【目标检测】38、PAA | 基于概率统计的 Anchor Assign
呆呆的猫的博客
09-05 1007
如图 4a 所示，随着训练进行，positive 和 negative 样本的区别越来越明显，positive anchor 不是一定比 negative anchor 的 IoU 大，很多 negative anchor 在训练到 30k~50k 时，仍然有高 IoU，那些固定数量的 positive sample 方法，会把这些负样本误分为正样本，随着训练进行，positive anchor 的定位准确率会逐渐增大。本文的方法在每个训练过程，都选择了不同的数量，更有适应性。
【论文笔记】Bridging the Gap Between Anchor-based and Anchor-free Detection
m0_61899108的博客
02-12 638
论文 论文题目：Bridging the Gap Between Anchor-based and Anchor-free Detection 收录于：CVPR 2020 论文地址：https://arxiv.org/abs/1912.02424 知乎解读（含本人）：如何评价zhangshifeng最新的讨论anchor based/ free的论文? - 知乎 Anchor-based vs Anchor-free 文章主要是在寻找造成 anchor-based 和 anchor-..
基本凝聚层次聚类算法
xxy_的博客
01-13 1万+
一、基本凝聚层次聚类算法 1：如果需要，计算近邻度矩阵 2：repeat       2.1：合并最接近的两个簇      2.2：更新近邻性矩阵，以反映新的簇与原来的簇之间的近邻性   3：until 仅剩下一个簇   存储近邻度个数：m2/2,m位数据点个数。 时间复杂度：O(m2log m)，其中，t为迭代次数，K为簇的数目，m为记录数，n为维数 空间复杂度：O(m2)，其
YOLOX 论文笔记
Tianchao龙虾
10-12 488
YOLOX: Exceeding YOLO Series in 2021 YOLOX 论文链接: https://arxiv.org/abs/2107.08430 一、 Problem Statement 提出一些tricks，用于提升YOLO系列。 二、 Direction A decoupled head Strong augmentation Anchor-free Multi positives Label assignment strategy: SimOTA 三、 Method 作者选
论文阅读：Probabilistic Anchor Assignment with IoU Prediction for Object Detection（PAA）
j879159541的博客
03-18 1372
文章目录1、论文总述2、 Anchor Assignment的研究进展和优缺点参考文献 1、论文总述 本篇论文主要是针对anchor的正负样本分配做改进，动机可以看下图： 相比于其他工作，作者不仅在anchor assignment阶段提出了自适应分配正负样本的做法，而且在optimization阶段和后处理阶段也加入了想对应的改进，可谓很全面了。 当然，最主要的工作还是利用高斯混合模型对anchor进行自适应的正负样本分配，抛弃了原先的基于IOU的分配方法，基于IOU的其实只看了anchor的定位信息，
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