【AI面试】FPN、PANet、SPP、ASPP、Adaptive feature pooling

已于 2024-11-06 20:48:01 修改
阅读量760 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 7天快速通过AI/CV面试 文章标签： 人工智能
于 2024-04-11 17:49:43 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/wsLJQian/article/details/130352220
本文详细介绍了FPN、SPP、ASPP、PANet和Spatial Transformer Networks等深度学习中用于特征提取和处理的模块。FPN解决了不同尺度物体检测的问题，SPP和ASPP通过空间金字塔池化增强模型对空间布局和变性的鲁棒性，PANet改进了FPN的结构，而STN则提供了学习几何变换的能力，增强了模型的泛化能力。文章讨论了各种方法的优缺点，以及他们在处理图像金字塔和空间变换时的不同策略。

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

文章目录


经常可以看到各个论文发出来，加入的各种trick。这些改进点，一般都是在前人的基础上，进行了一些修改。比如FPN到PANet的改进，就是为了改进前者存在的一些问题。

这里就把这些trick，给汇集到一起，看看他们的发展历史，看看他们之间有什么区别，又是在哪些地方做的改进。这些改进很多都是具有替代性质的，更加优秀的存在。

一、FPN(feature pyramid nerwork, 特征金字塔网络)

FPN结构绘制，和细节介绍

  • 跨层连接里面的结构细节
    • 水平1x1卷积
    • 竖直2倍下采样
    • add融合特征
  • 上采样采用的是什么方法？还有哪些方法能过实现同样的功能？
  • 上采样会出现模糊现象，怎么处理？

论文地址：Feature Pyramid Networks for Object Detection

了解本专栏 订阅专栏 解锁全文 超级会员免费看
NAS-FPN以及相关优化PANet/ThunderNet/HRnet/Libra-rcnn
yang_daxia的博客
12-25 1868
1.NAS-FPN使用强化学习的方式对FPN网络自动搜索，在coco数据集上得到了最好的FPN结果。可以理解为连连看，然后连出一个最好的。如下图：a图为原始的FPN， 好看整齐。然后在一步一步搜索的reward下，结构组件变化。由b--->f变为最终的结果。虽然不好看。 最终NAS-FPN结构为:可以看到和retinanet一样有5个输入p3,p4,p5,p6，p7然后对应5个输出p3...
SPP，PPM、ASPP、FPN
sdw8855的博客
08-25 2961
SPP(spatial pyramid pooling) 在spp出来之前，所有神经网络都是要输入固定尺寸的图片，比如经常遇到的224×224，图片输入网络前都要resize到224×224，导致图片变形，其中的信息也变形了，从而限制了识别精度。而SPP和ASPP就是为了解决这个问题，它可以让网络输入原图而不必resize。空间池化层实际就是一种自适应的层，这样无论你的输入是什么尺寸，输出都是固定的（21xchannel） ASPP(Atrousspatial pyramid ...
分别说说你对 FPN (Feature Pyramid Network) 和 PANet (Path Aggregation Network) 的理解
weixin_45422672的博客
01-23 524
FPN (Feature Pyramid Network) 和 PANet (Path Aggregation Network) 都是用于计算机视觉任务中的特征金字塔结构，特别是在目标检测和分割任务中有着广泛的应用。它们的设计目的是为了更好地处理不同尺度的目标。
算法笔记(六)多尺度特征融合之FPN/PANet
sleepinghm的博客
09-22 1万+
前言 最近论文快deadline了，一直没空更新…今天复习一下多尺度特征融合的常用模型。 FPN 特征金字塔 论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144 思路： 底层的特征语义信息比较少，但是目标位置准确。 高层的特征语义信息比较丰富，但是目标位置比较粗略。 ...
目标检测（3）-SPPNet
爱吃鱼的猫
03-17 855
原文地址：https://zhuanlan.zhihu.com/p/27485018Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition文章地址：https://arxiv.org/pdf/1406.4729.pdfhttps://摘要沿着上一篇RCNN的思路，我们继续探索目标检测的痛点，其中RC...
【目标检测--tricks】FPN和PAN
qq_40373651的博客
11-22 1万+
一、FPN结构 FPN结构图： FPN通过利用常规CNN模型内部从底至上各个层对同一scale图片不同维度的特征表达结构，提出了一种克有效在单一图片视图下生成对其的多维度特征表达的方式。它可以有效地赋能常规CNN模型，从而可以生成出表达能力更强地feature maps以供下一阶段计算机视觉任务（如object detection/semantic segmentation等）来使用。本质上说它是一种加强主干网络CNN特征表达的方法。 二、PAN结构 PAN即PANet，结构图如下： 简答来说，就是在FPN
各种FPN：PANet、ASFF、NAS-FPN、BiFPN、Recursive-FPN...
热门推荐
W1995S的博客
06-18 4万+
早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。 由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooling去掉或者将stri
目标检测Neck：FPN（Feature Pyramid Network）与PAN（附torch代码）
猛码Memmat
09-19 2112
neck
实时目标检测YOLO系列之YOLOv4
weixin_45614254的博客
08-10 4157
论文地址：https://arxiv.org/abs/2004.10934v1 Abstract： 1. 基本介绍 （1）介绍 （2）原理 （3）成就 （4）创新点 2. 网络结构及trick分析 （1）检测流程 （2）Backbone （3）Bounding Box Prediction （4）Class Prediction （5）Predictions Across Scales 3. 损...
卷积神经网络——YOLOv4论文翻译
itlilyer的博客
10-20 2661
论文链接：https://arxiv.org/abs/2004.10934 YOLOv4: Optimal Speed and Accuracy of Object Detection Abstract 有大量的特性都自称可以提升卷积神经网络(CNN)的精度。仍然需要在大数据集上实际测试这些特性的组合并对结果进行理论证明。一些特性只能应用在特定模型上，或针对特定问题，或只应用与小尺度的数据集；另一些特征，像BN和残差连接可以应用到大部分的模型、任务和数据集上。我们假设通用的特征包括加权残差链接(WRC),跨
目标检测经典论文——YOLOv4论文翻译（纯中文版）：YOLOv4: 目标检测最优速度和精度（YOLOv4: Optimal Speed and Accuracy of Object Detecti）
bigcindy的博客
08-02 3559
目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[YOLOv4中英文对照版] YOLOv4: 目标检测最优速度和精度 Alexey Bochkovskiy* alexeyab84@gmail.com Chien-Yao Wang* Institute of Information Science Academia Sinica, Taiwan kinyiu@i
卷积神经网络—图像特征提取（SPP/FPN）
红叶谷 wsp_1138886114的博客
08-17 2万+
一：介绍 SPPNet 目前流行的CNN都需要固定size和scale的输入图片；所以基本上都是通过剪裁（crop）和wrap。这种处理方式有三个弊端 剪裁的图图片可能不包含整个物体 wrap导致物体变形 当物体大小改变时，预定义的scale可能不适合物体的变化 CNN网络对于固定输入的要求，主要在全连接的分类器层，而特征提取层可以通过控制子采样比例和filter尺寸来调节，来接受各...
[论文阅读]PANet(PAFPN)——用于实例分割的路径聚合网络
qq_53909832的博客
10-09 2万+
PANet（PAFPN）论文阅读
深度学习之FPN和PAN
UHL1107的博客
04-29 1万+
注：借鉴整理，仅供自学，侵删 FPN是自顶向下，将高层的强语义特征传递下来，对整个金字塔进行增强，不过只增强了语义信息，对定位信息没有传递。PAN就是针对这一点，在FPN的后面添加一个自底向上的金字塔，对FPN补充，将低层的强定位特征传递上去，又被称之为“双塔战术”。 FPN（feature pyramid networks）算法讲解 PANet简单笔记 ...
【YOLOV4】(7) 特征提取网络代码复现（CSPDarknet53+SPP+PANet+Head），附Tensorflow完整代码
博观而约取，厚积而薄发
03-29 8774
各位同学好，今天和大家分享一下如何使用 TensorFlow 构建YOLOV4目标检测算法的特征提取网络。 完整代码在我的Gitee中，有需要的自取：https://gitee.com/dgvv4/yolo-target-detection/tree/master 1. CSPDarkNet53 CSPDarkNet53 骨干特征提取网络在 YOLOV3 的 DarkNet53网络 的基础上引入了 CSP结构。该结构增强了卷积神经网络的学习能力；移除了计算瓶颈；降低了显存的使用；加快了网络的推理速度。
resnet50、FPN、Panet结构及代码
TYtangyan的博客
06-06 9447
起初faster-r-cnn，只采用最后一层特作为rpn以及head部分的特征图，后来不断改进，有了FPN， 一般来再后来有了Panet，网络的层数越深它的语义信息越丰富。但是随着网络层数的加深，检测所需的位置信息就会越差，CNN分类网络只需要知道一张图像的种类即可所以很多时候网络越深效果越好，但是不是分类效果越好的网越适合检测。FPN如下图所示，它用了不同大小的特征图进行预测，图中：下方的特征图较大，对应的感受野较小可以用来检测小目标，上部分的特征图尺寸较小，但是感受野较大适合检测大目标。 ...
空间金字塔思想在图像处理中的应用：SPP，PPM、ASPP和FPN结构理解和总结
muyijames的博客
06-29 1万+
本篇文中主要对 SPP 和 ASPP 空间金字塔做一个简单介绍和总结，有错误之处请多多指教哈！ 文章目录1 综述1.1 SPP结构（Spatial Pyramid Pooling）1.2 ASPP结构（Atrous Spatial Pyramid Pooling）1.3 FPN结构（） 1 综述 SPP论文链接：《Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition》2015年 https://arxiv.o
理解R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN、FPN博文整理
qq_36401512的博客
12-25 855
1.总体https://www.cnblogs.com/skyfsm/p/6806246.html 2.R-CNN，SPP-NET对比https://blog.youkuaiyun.com/v1_vivian/article/details/73275259 3.Fast R-CNN https://blog.youkuaiyun.com/wait_ButterFly/article/details/81416145...
目标检测--通过增加细节信息通道提高包围框的回归精度(PANet)
BLUE BOX
01-22 1462
1 FPN对细节信息的损失 在目标检测中包围框的回归是一个比较常用的方法，例如R-CNN、FPN等都是用回归来预测包围框。 我们知道，回归坐标比较需要底层(low-level)的细节信息，相对来说语义信息对目标的分类起更大的作用。而很多框架进行坐标回归的时候往往是在比较高层（high-level)的特征图像进行。 例如FPN（如下图a部分），我想要到达P5，我们需要经过整个backbone，假设是...
PAN FPN PAnet AFPN
最新发布
02-28
### PAN、FPN、PAnet 和 AFPN 的概述 #### 特征金字塔网络 (Feature Pyramid Network, FPN) 特征金字塔网络是一种用于多尺度目标检测的有效方法。通过自上而下的路径增强低层特征图的空间分辨率，同时保持高层语义...
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

打赏作者

钱多多先森

你的鼓励，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

打赏作者

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