多尺度目标检测--Scale-Aware Trident Networks for Object Detection

最新推荐文章于 2025-09-16 17:52:29 发布
原创 最新推荐文章于 2025-09-16 17:52:29 发布 · 844 阅读 · 1 ·
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。

本文介绍将Dilated convolution用于多尺度目标检测，该方法最初用于语义分割。还提及多尺度目标检测的常见策略，如feature pyramids生成多级特征但牺牲不同尺度特征一致性，以及用不同扩张率共享相同参数生成特定尺度特征图。

Scale-Aware Trident Networks for Object Detection
https://github.com/TuSimple/simpledet/tree/master/models/tridentnet

本文将 Dilated convolution 用于多尺度目标检测，Dilated convolution 最先用于语义分割。

多尺度目标检测的几个常见策略
在这里插入图片描述
feature pyramids generate multi-level features thus sacrificing the feature consistency across different scales

在这里插入图片描述

share the same parameters with different dilation rates to generate scale-specific feature maps

在这里插入图片描述

在这里插入图片描述

11

笔记：Scale-Aware Trident Networks for Object Detection
博主回家睡觉了。。。
05-17 483
尺度感知的三叉目标检测网络 摘要 首先进行感受野对物体检测中尺度变化的影响的探索实验。由探索试验提出Trident Net，构造了一个并行的多分支体系结构，其中每个分支共享参数，具有不同的接受域。采用尺度感知训练方式，在适当尺度的位置上采样对象进行训练，对每个分支进行专门化。带有ResNet-101主干网的TridentNet实现了48.4map。 一.介绍 目标：通过为所有尺度创建具有统一表示能力的特征，从而使得对于不同尺度的物体具有不同的接受场。 本文提出一种新的网络结构，如下图所示c，创建多
【论文笔记】：Scale-Aware Trident Networks for Object Detection（TridentNet）
Activewaste
07-16 943
&Title: Scale-Aware Trident Networks for Object Detection &Summary 检测任务中存在目标尺寸多样化的问题，为了解决这一问题，作者采用的做法如下： 为了使模型对不同尺寸目标的“表达能力”近似，作者借鉴了SNIP的特征提取网络，采用了“scale-aware”的并行结构； 为了加快模型的推理速度，作者采用了dilated...
【深度学习计算机视觉】05：多尺度目标检测之FPN架构详解与PyTorch实战
最新发布
2501_92796370的博客
09-16 772
为防止“感受野过小”导致上下文缺失，在 head 第 18 层后引入 3 个 C2f 模块，每个 C2f 包含 2 个 bottleneck 且启用 shortcut，等效把感受野扩至 31×31，足以覆盖 16×16 原始区域。输入 960×1280 时自动启用，延迟 61 ms，小目标召回提升 3.4%。（默认 10），②在分配阶段先按 quality 排序，仅保留 top-4k 框，③对 <8×8 目标，把 α 从 1.0 降至 0.5，降低分类权重，避免大量背景框被错分为 foreground。
Scale-Aware Trident Networks for Object Detection
weixin_45814898的博客
05-09 675
1.背景 尺度问题一直是目标检测领域比较核心的待解决的问题。目前，对于这个问题还没有比较彻底的解决思路，有两种比较好的方法来处理这一问题： 图像金字塔，即网络输入图像的多尺度，比如常见的multi-scale test的trick，这种方法需要耗费很大的计算量。 特征金字塔，即融合不同深度的feature map来获得多尺度特征，比如FPN，这种方法速度更快，但是性能不好，按照论文的说法，是因为它牺牲了不同尺度的特征一致性(即不同scale的feature经过不同深度不同参数的变换，反应出来的特征会更全面和
Scale-Aware Trident Networks for Object detection
liguandong
03-16 1872
Scale-Aware Trident Networks for Object detection 传统： image pyramid(直接对图像进行不同尺度的缩放，然后将这些图像直接输入到detector中进行检测，multi-scale training/testing 仍然是一个不可缺少的组件) DL： feature pyramid(FPN,top-down 分支补充底层的语义信息不足...
【目标检测】Scale-Aware Trident Networks for Object Detection 阅读笔记
ycc2011的专栏
02-17 4602
Scale-Aware Trident Networks for Object Detection 1.Introduce 该文章通过提出TridentNet，来生成具有统一表征能力的特定尺度特征图，以此解决目标检测中尺度多变问题。其中，作者建立了一个并行多分支结构，它们共享参数，但感受野不同。作者采用Resnet-101作为骨架网络。 2.Relate work 其中目前目标检测的四...
《Scale-Aware Trident Networks for Object Detection》笔记
qq_24548569的博客
04-11 372
Introduction 特征金字塔有一个缺点，它每层的特征都是由不同的参数卷积得到的，这样做牺牲了不同尺度下特征的一致性，这会减低训练数据的影响和在每个尺度下有过拟合的风险。这篇论文的目标就是生成对所有尺度都有效率的有统一表征能力的特征。 论文首先从网络的感受野入手，研究不同的感受野对检测网络的影响。论文把conv4层的卷积层换成空洞卷积层，膨胀率从1到3分别做实验，实验结果如下 从实验结果可...
TridentNet 论文解读：Scale-Aware Trident Networks for Object Detection
Sesen的木屋
09-11 676
Scale-Aware Trident Networks for Object Detection （CVPR2019，中科院&图森未来） 该论文[3]的主要思想是针对不同大小的物体，感受野应该是不同的。使用空洞卷积来创建 multi branch，然后再借鉴scale-aware的思路，构建trident network。即在相同分辨率大小的特征图上，设计不同的感受野。主要的结果图如...
论文阅读：Scale-Aware Trident Networks for Object Detection
Kivee的博客
03-11 985
TridentNet   由于目标检测任务中，每张图的目标的大小都是变化的，于是造成对于过于小或者过于大的物体都不好检测，这就是目标检测中的尺度变化问题，一个直接的解决办法是使用图像金字塔。在手工特征时代，直接就是将图像缩放成不同分辨率组成一个金字塔输入给模型，而在深度学习时代，以FPN为代表的多尺度方法则是使用多分辨率的特征图来组成金字塔去近似图像金字塔的效果。另外，为了使图像尺度和物体尺度匹配...
【文献阅读10】Scale-Aware Trident Networks for Object Detection-用于目标检测的尺度感知三叉戟网络
我是大阿周的学习博客
12-29 1619
【文献阅读】用于目标检测的尺度感知三叉戟网络-Scale-Aware Trident Networks for Object DetectionAbstractIntroduction 本博客仅作阅读学习记录，不作他用。 文章名称：Scale-Aware Trident Networks for Object Detection 文章地址：https://arxiv.org/abs/1901.01892v2 代码地址： https://git.io/fj5vR 文章作者：Yanghao Li、Y unt
Trident : Scale-Aware Trident Networks for Object Detection
qq_32425195的博客
02-15 1429
Abstract 我们构造了一个并行的多分支结构，各个分支间共享参数，但是感受野不同。指定每个分支只采样对应的感受野进行训练。 1. Introduction 尺度问题的集中解决办法： 我们的方法： 通过空洞卷积，不同barnch共享相同的网络结构和网络参数，但每个分支有不同的感受野。为了避免极端大小的图片送入分类回归器，我们从感受野角度，让每个分支检测某一范围的尺度的目标。 我...
TridentNet：处理目标检测中尺度变化新思路
leo_fighting
09-14 815
今天破天荒地为大家介绍一篇我们自己的工作(Scale-Aware Trident Networks for Object Detection)，因为我是真的对这个工作很满意，哈哈。这篇文章主要要解决的问题便是目标检测中最为棘手的scale variation问题。我们使用了非常简单干净的办法在标准的COCO benchmark上，使用ResNet101单模型可以得到MAP 48.4的结果，远远超越...
Scale-Aware Trident Networks for Object Detection 论文笔记
qq_30146937的博客
05-15 586
前言 为了解决目标检测中的尺度变换问题，目前人们已经提出了如下方法： （a）：图像金字塔，虽然对目标的表征能力很强，但由于每种尺度的图像都要经过一个CNN，因此效率很低； （b）：特征金字塔，虽然能够生成多尺度特征，计算消耗相对于图像金字塔来说更少，但由于不同尺度的目标被分配到不同层级的特征图上，导致参数不一致； （c）：就是本文提出的三叉戟网络（Trident Network）。 图像金字塔和特征金字塔的共同特点是，模型对于不同尺度的目标应该有不同的感受野。基于此，本文提出Trident Netwo
多尺度目标检测 Multiscale Object Detection
吴建明wujianming_110117
06-30 5476
多尺度目标检测 Multiscale Object Detection 我们在输入图像的每个像素上生成多个锚框。这些定位框用于对输入图像的不同区域进行采样。但是，如果锚定框是以图像的每个像素为中心生成的，很快就会有太多的锚框供我们计算。例如，我们假设输入图像的高度和宽度分别为561和728像素。如果以每个像素为中心生成五个不同形状的锚框，则超过两百万个锚框(561×728×5)需要在图像上进行预测和标记。 减少锚箱数量并不困难。一种简单的方法是对输入图像中的一小部分像素进行均匀采样，并生成以采样像素为中心的
多尺度目标检测
xys430381_1的专栏
12-19 531
目标检测研究方向之多尺度目标检测 聊聊目标检测中的多尺度检测（Multi-Scale），从YOLO，ssd到FPN，SNIPER，SSD填坑贴和极大极小目标识别 YOLOv3——引入：FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018) STDN——新奇的特征图尺度变换法 (目标检测)(one-stage)(深度学习)(CVPR 2018) SNIPER（Eff...
论文阅读 Scale-Aware Trident Networks for Object Detection
weixin_45935290的博客
07-20 544
Scale variation是目标检测中的一个关键挑战。在这项工作中，我们首先进行了一项controlled实验，以研究感受野在目标检测的 scale variation中的影响。基于探索实验的结果，我们提出了一种新颖的三叉网络（TridentNet），旨在生成具有uniform representational能力的scale-specif的特征图。我们构建了一个并行的多分支架构，每个分支共享相同的 transformation parameters，但具有不同的感受野。
RT-DETR实时目标检测模型解析与源码实现
而CCFM则借鉴了卷积神经网络在多尺度特征融合上的优势，通过轻量化的CNN结构实现不同层级特征图的高效融合，保留了丰富的空间细节信息。这种混合式设计巧妙地结合了Transformer的全局建模能力和CNN的局部归纳偏置，...
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