RetinaNet 论文总结

已于 2024-08-05 19:59:51 修改
阅读量1.3k 收藏 26
点赞数 35
文章标签： 人工智能 深度学习
于 2024-08-05 19:57:46 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.csdn.net/2301_80740635/article/details/140931773
版权

日期：2024年08月05日

目录

前言

论文摘要

Focal Loss

Cross Entropy Loss

Balanced Cross Entropy

 Focal Loss

RetinaNet

网络架构

ResNet 

Feature Pyramid Network (FPN)

Class Subnet

Box Subnet

前言

一般来说，one-stage的目标检测器在检测速度上有着明显优势，而two-stage的目标检测器的精确度比较高。但是RetinaNet的创造者们通过利用一种在cross entropy loss的基础上改进过的损失函数代替传统的损失函数，这使得一个one-stage的模型有了更高的速度和精确度。

论文标题：Focal Loss for Dense Object Detection
论文链接：[1708.02002] Focal Loss for Dense Object Detection (arxiv.org)

论文摘要

 “目前最高准确度的目标检测器基于一种由R-CNN推广的两阶段方法，在稀疏的一组候选目标位置上应用分类器。相比之下，一阶段检测器应用于可能目标位置的规则、密集采样，尽管有潜力更快、更简单，但在准确性上一直落后于两阶段检测器。在本文中，我们调查了为什么会出现这种情况。我们发现，密集检测器在训练过程中遇到的极端前景-背景类别不平衡是主要原因。我们提出通过重塑标准的交叉熵损失来解决这种类别不平衡问题，从而降低对已分类良好的样本的损失权重。我们的新颖损失函数Focal Loss将训练集中于一小部分难样本，并防止大量简单负样本在训练过程中压倒检测器。为了

最低0.47元/天 解锁文章
RetinaNet原理与代码实例讲解
AI大模型应用之禅
07-03 993
RetinaNet 将 R-CNN 的区域提案过程整合进网络中，通过共享特征提取器和分类回归层来提高效率。它使用 FPN 提取多尺度特征，然后在每个特征映射上生成锚框，进行分类和回归预测。通过 Focal Loss，RetinaNet 更加关注难分类的样本，从而提升小物体的检测性能。RetinaNet 的核心在于其对 RPN 的改进以及对 Focal Loss 的引入。
RetinaNet论文详解和代码（ResNet，FPN）
weixin_44021967的博客
04-30 5799
文章目录1.参考资料 1.参考资料 目标检测算法 - RetinaNet：https://zhuanlan.zhihu.com/p/67768433 https://zhuanlan.zhihu.com/p/59910080 RetinaNet论文原文：https://arxiv.org/pdf/1708.02002.pdf RetinaNet论文最全解析！一文读懂！：https://blog.csdn.net/weixin_40400177/article/details/103449280 Retina
论文阅读: RetinaNet
热门推荐
JNing
04-22 6万+
Introduction 此篇论文获得了ICCV最佳学生论文奖，指导人是FBAI的He Kainming大神： 众所周知，detector主要分为以下两大门派： - one stage系 two stage系 代表性算法 YOLOv1、SSD、YOLOv2、YOLOv3 R-CNN、SPPNet、Fast R-CNN、Faster R-CNN ...
【论文】RetinaNet
梦想是要有的，万一实现了呢！
04-07 4777
论文地址：https://arxiv.org/pdf/1708.02002.pdfhttps://arxiv.org/pdf/1708.02002.pdf 题目：密集目标检测的焦点损失 图 1. 我们提出了一种新的损失，我们称之为 Focal Loss，它在标准交叉熵标准中添加了一个因子 (1 - p t ) 的γ次方。设置 γ > 0 可减少分类良好的示例的相对损失（p t > .5），将更多注意力放在难分类的错误示例上。正如我们的实验将证明的那样，所提出的焦点损失能够在存在大量简单
RetinaNet论文阅读
sgzqc的专栏
01-27 2814
1. 引言 由于在当前的目标检测上 one-stage的准确度始终落后于Two-Stage检测器, Fackbook AI Research在2017年提出了Focal Loss,该论文研究发现one-stage准确度之所以较差的主要原因是在于前景与背景类别不平衡的关系,为了验证Focal Loss的有效性便设计了一种one-stage的检测器RetinaNet. 闲话少说,我们直接开始吧… ???? 2. 类别不均衡 一般来说一张图像中的物体较少,大多数是背景,而One-stage检测器在每一次检测时
四、RetinaNet论文总结
weixin_40620310的博客
10-18 1703
论文导读 论文标题：Focal Loss for Dense Object Detection； 提出疑问：为什么One-stage精度低？ 最主要的原因为：在一张图片中，目标所占的比例远小于北京所占的比例，也就是正负样本不均衡，负样本过多； 这会造成以下两个问题： 1、针对负样本来说，数量过多造成它的loss太大，以至于主导了损失函数，不利于收敛； 2、针对单个负样本来说，简单负样本的loss很小，反向计算时梯度小，梯度小造成简单负样本对参数的收敛作用有限，我们需要loss大的对参数收敛大的样本，也就是困
RetinaNet 论文和代码详解
爱CV
05-06 1269
1.前言 RetinaNet是继SSD和YOLO V2公布后，YOLO V3诞生前的一款目标检测模型，出自何恺明大神的《Focal Loss for Dense Object Detection》。全文针对现有单阶段法(one-stage)目标检测模型中前景(positive)和背景(negatives)类别的不平衡问题，提出了一种叫做Focal Loss的损失函数，用来降低大量easy negatives在标准交叉熵中所占权重（提高hard negatives所占权重)。为了检测提出的Focal Los
【论文阅读】RetinaNet （Focal Loss for Dense Object Detection）
dujuancao11的博客
01-18 3062
https://zhuanlan.zhihu.com/p/143877125 学习笔记
RetinaNet论文
ZJpingfanzhilu的博客
04-04 548
1、引入 摘要：本文是2017年何凯明 ICCV最佳学生论文奖。论文认为单阶段目标检测低于两阶段的原因是正负样本不均衡，为了降低影响，提出focal loss损失函以及检测网络结构，提升了性能。 优点：无论是精度还是速度都是全面超越。 创新点： 提出focal loss损失函苏。 提出目标检测网络结构。 可以用于多标签分类（损失函数使用的是binary_cross_entropy_with_lo...
RetinaNet论文总结（Focal Loss）
上个大学哪有不疯的？硬撑罢了！
11-09 3750
RetinaNet在2017年提出，是一个里程碑性质的模型。在目标检测领域，作为一个one-stage网络，它首次超过了当时流行的two-stage模型。RetinaNet在模型方面没有颠覆性的创新，使之超越当时流行目标检测模型的原因是提出了新颖的loss计算方式：Focal Loss
论文研究-PA-RetinaNet: Path Augmented RetinaNet for Dense Object Detection.pdf
08-14
PA-RetinaNet: 基于路径增强的RetinaNet密集目标检测，谭光华，郭子军，目标检测方法可分为两类,一类为精度较高但速度较慢的两阶段方法,另一类为精度较低但速度较快的一阶段方法。为了继承这两种方法的�
RetinaNet深入理解（损失函数详解）
12-28
RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）
RetinaNet论文理解
JustForYou的博客
10-24 4万+
paper：Focal Loss for Dense Object Detection link：RetinaNet 引言 目前精度最高的目标检测器都是基于R-CNN结构衍生出来的two-stage目标检测方法，相反one-stage的探测器应用于目标可能位置的密集采样中，具有更快更简单的特点但是精度落后two-stage的检测器；在本文的研究中发现造成这种情况的核心问题是密集检测器在训练过程中...
RetinalNet论文笔记
最新发布
985小菜鸡
04-13 1477
当然，这篇论文主要研究了一种新的损失函数——焦点损失（Focal Loss），用以改进单阶段目标检测器在处理极端类别不平衡情况时的性能。实验表明，在训练密集检测器（dense detectors）时，由于遇到的大类别不平衡问题，易分类的负样本占据了交叉熵损失的大部分并主导了梯度。而权重因子ααα虽然平衡了正负样本的重要性，但它没有区分简单和困难的样本。因此，作者提出重新塑造损失函数以降低易分类样本的权重，从而更加集中于训练难分类的负样本。焦点损失通过添加一个调节因子1−ptγ1−pt。
论文阅读：【RetinaNet】Focal Loss for Dense Object Detection
Rock的博客
08-20 965
论文地址：https://arxiv.org/pdf/1708.02002.pdf 代码： Pytorch ， tensorflow 创新点： 这篇文章重新定义目标检测中loss损失函数，引入一种新的Focal loss 用来替代 one-stage中的损失函数，作者分析 two-stage 检测方法精度优于one-stage主要由于easyeasyeasy识别样本类别与hardhardhard识...
RetinaNet——《Focal Loss for Dense Object Detection》论文翻译
PPLLO_o的博客
04-01 6045
《Focal Loss for Dense Object Detection》 摘要 迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们...
论文笔记：RetinaNet（Focal Loss for Dense Object Detection）
牛顿爱吃香蕉的博客
05-10 2208
文章目录1、摘要2、介绍3、相关研究3、焦点损失3.1、平衡交叉熵3.2、焦点损失定义3.3、类不平衡和模型初始化3.4、类不平衡和 two-stage 检测器4、RetinaNet 检测器4.1、训练 1、摘要 one−stageone-stageone−stage 检测器对目标可能的位置进行密集采样，相比于 two−stagetwo-stagetwo−stage 方法更简单、速度更快，但是精度...
RetinaNet 论文笔记
qq_30146937的博客
02-15 608
前言 现在的目标检测算法主要可以分为两类： two-stage，比如Fast R-CNN，Faster R-CNN，Mask R-CNN。它们首先生成一系列稀疏的候选区域，然后用CNN对每个候选区域进行分类，判断它们是属于前景中的某个类别，还是属于背景。现在这一类方法可以达到很高的精度，但是速度略有不足。 one-stage，比如YOLO和SSD。它们对目标的位置、尺度和长宽比进行规则的密集的采...
【论文学习笔记009】RetinaNet
小陈说CV的博客
11-27 551
文章目录1.论文信息2. 论文创新点3.欲解决的问题4.解决方案4.1 焦点损失4.1.1 交叉熵损失函数4.1.2 平衡交叉熵4.1.3 焦点损失定义4.2 RetinaNet检测器4.2.1 概述4.2.2 FPN4.2.3 Anchors4.2.4 分类子网络4.2.5 边界框回归子网络5.几点思考5.1 什么是类别不平衡5.2 类别不平衡如何导致检测精度变低5.3 为什么二阶段目标检测算法...
深入解析五大最新目标检测算法研究论文
无论是通过级联结构提升Faster R-CNN性能的Cascade R-CNN，还是借助角点检测增强模型效率的CornerNet，或是通过Focal Loss改善类别不平衡问题的RetinaNet，亦或是通过多尺度特征提取优化检测性能的TridentNet，以及...
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