论文阅读-《Object Detection Networks on Convolutional Feature Maps》

最新推荐文章于 2021-01-15 19:58:47 发布
原创 最新推荐文章于 2021-01-15 19:58:47 发布 · 2.6k 阅读 · 5 ·
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。

本文探讨了深度区域分类器在目标检测精度中的关键作用，以及卷积层在提取区域特征方面的效果。实验表明，除了深层共享特征外，深度区域分类器对于提高检测准确率同样重要。通过在Fast/Faster R-CNN基础上增加ROI Pooling和卷积层，研究发现增加分类器的深度和优化设计可以显著减少定位错误，证实了前后端在网络中的平等地位。

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

收录于IEEE Transactions on Pattern Analysis and Machine Intelligence 2015

1.Background&Motivation

  • 论文的背景是Fast/Faster R-CNN成为当时的检测精度最高的框架，同时Resnet刚发表不久，这个时候，基于回归模型的目标检测框架还没有发表。
  • 作者在论文一开始的时候提出了，基于region proposal的目标检测框架，随着前面的特征提取的网络的深度不断增加，整个目标检测系统的精度也在不断提高。但是人们并没有对后面的region-wise的分类器做太多的关注，fast/faster r-cnn用的分类器都是普通的多层感知器。
  • 所以本文的观点在于，后面的region-wise的分类器和前面的特征提取网络，对于提高检测精度一样重要。

2.Proposal

作者自己的观点可以总结为两点
1. a deep region-wise classifier is important for object detection accuracy , in addition to deep shared features
2. convolutional layers for extracting region-wise features are effective and are complementary to the effects for extracting full-image shared features

3.Experiments

基本的实验框架如下图所示
Noc_1
通过一个ROI Pooling将前面的feature extractor和后面的ob

最低0.47元/天 解锁文章

200万优质内容无限畅学
论文阅读笔记：Object Detection Networks on Convolutional Feature Maps
tangwei2014的专栏
06-24 6041
这是CVPR 2015的一篇 关于深度学习和目标检测的文章，作者是MSRA的Shaoqing Ren， Kaiming He等。作者在基于卷积得到的feature map基础上，训练 新的网络作为 region classifier,获得性能提升。
R-FCN: Object Detection via Region-based Fully Convolutional Networks
南有乔木NTU的博客
11-30 5727
R-FCN: Object Detection via Region-based Fully Convolutional Networks论文下载地址 源码地址 本篇论文是微软亚研何凯明代季峰的团队做的工作，虽然何凯明16年去了facebook，但是相关工作还在进行，代码还是公布在github上。感兴趣的可以从链接下载源码进行分析测试。Introduce论文主要提出了一种利用全卷积网络进行目标检
Object Detection Networks on Convolutional Feature Maps
chenyanqiao2010的博客
11-29 1999
本文介绍了关于特征提取分类器的一些结论
Object detection networks on convolutional feature maps
liguandong
03-16 931
Object detection networks on convolutional feature maps Abstract: 1. Introduction Use convolutional layers to extract region-independent features, followed by region-wise MLPs for classification. ...
【每日一网】Day29：NoC：Object Detection Networks on Convolutional Feature Maps简单理解
dudu199806的博客
01-15 524
Object Detection Networks on Convolutional Feature Maps 算法背景 大多数目标检测器包含两个重要的组件，分别为特征提取器和分类器。传统的目标检测方法的特征提取器是手工设计的，例如HOG,分类器一般是svm等。另一种目标检测策略是使用卷积层提取与区域无关的特征，然后按区域划分的多层感知机进行分类，本文中，作者从功能之外的分类器的角度对目标检测系统进行深入研究。专注于在与区域无关的贡献卷积特征之上，并称为NoC 网络结构 卷积特征图由共享卷积层生成，一个特
论文翻译——Feature Pyramid Networks for Object Detection
b_dxac的博客
07-05 1047
摘要： 特征金字塔是识别系统中用于检测不同尺度目标的基本组成部分。但是最近的深度学习对象检测器避免了金字塔表示，部分原因是它们是计算和内存密集型的。在这篇论文中，我们利用深卷积网路固有的多尺度金字塔层级，以边际额外成本建构特徵金字塔。提出了一种具有横向连接的自顶向下体系结构，用于构建各种尺度的高层语义特征图。这种被称为特征金字塔网络（FPN）的体系结构，作为一种通用的特征抽取器在一些应用中显示出了显著的改进。在基本更快的R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，没
Relation Networks for Object Detection
u013087645的专栏
11-22 562
论文链接：https://arxiv.org/abs/1711.11575  代码链接：https://github.com/msracver/Relation-Networks-for-Object-Detection 源代码讲解：https://blog.youkuaiyun.com/u014380165/article/details/80779712 在介绍这篇论文之前首先介绍一下边框回归（ht...
Relation Networks for Object Detection [CVPR 2018]
女王の专属领地
05-29 3481
论文：https://arxiv.org/abs/1711.11575 引入了object的关联信息，在神经网络中对object的relations进行建模。主要贡献点有两条： 1. 提出了一种relation module，可以在以往常见的物体特征中融合进物体之间的关联性信息，同时不改变特征的维数，能很好地嵌进目前各种检测框架，提高性能 2. 在1的基础上，提出了一种特别的代替NMS的去...
【目标检测】Relation Networks for Object Detection
qq_36926037的博客
05-25 2231
文章目录一、介绍1.1 对象间的关系1.2 对象关系模块二、相关工作三、对象关系模块3.1 注意力模块3.2 对象关系模块四、用于目标检测的Relation Network4.1 对象检测管道回顾4.2 关系模块用于实例识别4.3关系模块用于重复删除4.4 端对端目标检测五、实验5.1 关系模块用于实例识别5.2 关系模块用于重复删除5.3 端对端目标检测六、结论 一、介绍   论文地址：https://arxiv.org/abs/1711.11575   CVPR2018的文章，通过引入object re
论文笔记：Relation Networks for Object Detection
flyminnnnn的博客
05-26 633
来源：论文，code，MSRA & PKU，2018 CVPR 知乎笔记 主要贡献： 提出了一种relation module，可以将常见的物体特征融合进物体之间的关联性信息，同时不改变特征维数，因此可以很方便加入已有的网络框架 提出了一种代替NMS的去重模块设计，避免NMS需要手动设置参数的问题，真正实现模型的end-to-end训练 论文阅读 Introduction NMS模块被...
Relation Networks for Object Detection解读
WangKingJ的博客
10-27 1448
首先介绍一下这项工作的难点： obiect-to-object关系的建模很困难，因为对象的位置，尺度，类别，数量可能会随着不同的图像变化而变化。 深层的卷积神经网络通过大的接受域隐式地合并了上下文信息。 本项工作的贡献： 提出了一种attention module，在检测的过程中通过利用图像中object之前的相互关系或者图像内容(context)来优化检测效果，同时它不改变特征的维度，能很好的...
论文阅读-《Relation Networks for Object Detection》
yj_isee的博客
12-02 1万+
MSRA jifeng dai1.abstract:在目标检测领域，model object之间的关系能够提高检测的准确度，但是这种方法在基于深度学习的模型中还没有很好的work。当下主流的目标检测的方法还是对各个物体进行单独的检测，本文提出了一种object relation module，通过引入不同物体之间的外观和集合关系做interaction，实现对物体之间relation的建模。rela
Relation Networks for Object Detection重点解读
tommorrow12的博客
06-21 1132
网络总体图： relation内部图： 1、分别根据两个特征计算它们各自的权重2、由两个特征的权重获得总权重3、按照第m个物体对当前物体的总权重，加权求出各个relation模块4、concat所有relation模块，与原来的特征叠加，最终输出通道数不变的新特征   Concat就是聚合各个，表示第n个relation模块的输出。后两层网络示意图： 去重网络的原文描述如下：  参考网址：http...
object_detector MAP:
jiachen0212的博客
11-01 531
转载自：目标检测中的mAP是什么含义？ - Wentao MA的回答 - 知乎 https://www.zhihu.com/question/53405779/answer/419532990 对于上述PR值，如果我们采用： VOC2010之前的方法，我们选取Recall >= 0, 0.1, ..., 1的11处Percision的最大值：1, 1, 1, 0.5, 0.5, 0....
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
南有乔木NTU的博客
12-18 3025
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection论文地址 github源码Introduction这篇论文是发表在2016nips上的一篇关于目标检测的论文，在这个论文之前，目标检测我个人看到效果最好的是Faster R-CNN+++（R-FCN的对比试验,+++代表添加了迭代边框回归，上下文信息
各种对象检测论文总结(Object Detection )
热门推荐
junmuzi的专栏
12-01 2万+
Original url: http://blog.youkuaiyun.com/u010167269/article/details/52563573 https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html Object Detection  Published: 09 Oc
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