【论文简述】目标检测：FCOS（2019）

最新推荐文章于 2022-11-30 21:05:01 发布
最新推荐文章于 2022-11-30 21:05:01 发布
阅读量2.9k 收藏
点赞数 1
分类专栏： 目标检测 文章标签： 目标检测
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/Aaaha_jasper/article/details/124234975
版权

B站简介视频：https://www.bilibili.com/video/BV16V411m73M?spm_id_from=333.337.search-card.all.click

FOCS：借用FCN思想来进行目标检测

  1. proposal free + anchor free,减少了超参数的数量。
  2. 避免了IoU的复杂计算
  3. 模型精确度和通用性高。

方法：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

完整架构：主干神经网络+FPN+预测子网络

为什么最后两层没有进行上采样呢？FPN结构在高层的语义特征进行融合效果并不好，所以构建FPN没有必要使用所有的卷积层。但为了尺度的多样性，在其后面加入了P6/P7
在这里插入图片描述

解决ambiguous的方法的核心思想：

由于使用了金字塔结构所以最底层feature_map单元和小的bbox绑定在一起，再往上层feature_map单元和大的bbox绑定在一起。
在这里插入图片描述

centerness支流

在这里插入图片描述

北极冰川的岛屿
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
FCOS算法详解
AI之路
06-05 1万+
论文：FCOS: Fully Convolutional One-Stage Object Detection 论文链接：https://arxiv.org/abs/1904.01355 代码链接：https://github.com/tianzhi0549/FCOS/ 这篇是发表在CVPR2019的目标检测论文，主要创新点在于去掉了anchor做检测，也就是常说anchor free，这是最近一...
FCOS:基于anchor-free的单阶段目标检测的方法和实验分析
qq_41834867的博客
04-20 2928
论文链接：https://arxiv.org/pdf/1904.01355.pdf 开源代码链接：https://github.com/tianzhi0549/FCOS 一、主要贡献： 1. 将检测与其他全卷积网络可解决的任务统一起来（例如语义分割），可轻松重复的使用这些任务中的方法； 2. 将检测变成一个anchor-free的任务，这将极大地设计参数的数量，减少了这部分各种未知的tri...
目标检测之深度学习专题（一）FCOS-“抛砖引玉“！验证检测模型理解的最好”试金石“——细节决定成败，不看就会败北！
啥都会一点的小程的博客
09-01 2401
目标检测之深度学习专题（一）FCOS-“抛砖引玉”！验证检测模型理解的最好”试金石“——细节决定成败，不看就会败北！ 本系列只针对当前文章内容进行解析，避免出现耦合太多相关内容，方便大家理解快速学习！很多人都知道Fcos的结论和意义，但是知道和理解完全是两回事，不管你是谁，不懂就学，是永远不会错的! FCOS（Fully Convolutional One-Stage Object Detection ）——全卷积目标检测 论文地址：https://arxiv.org/abs/1904.01355 代码：
【目标检测】FCOS: Fully Convolutional One-Stage Object Detection论文综述2019
qq_42575422的博客
06-10 666
1、 为什么要做这个研究（理论走向和目前缺陷） ? 基于anchor的检测器，对anchor的设计要求很麻烦，训练过程还有很多跟Anchor相关的计算比如正负例anchor判断时的iou计算。故考虑去除anchor,目前anchor free的方法典型如yolov1，由于其只考虑目标中心位置进行框回归，召回率很低，还有就是CornerNet，基于关键点检测的方法，但是在配对关键点时很麻烦。 2、 他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 提出FCOS类似于语义分割的思想，结构同RetinaNe
目标检测：Generalized Focal Loss（NIPS2020）
kill2013110的博客
08-16 3855
论文要解决单阶段目标检测中的两个问题： 1. 训练和推理时定位质量评估与分类分数是非一致的。2. 边界框的表征是不够灵活的
深度学习基础loss和目标检测loss总结
zisuina_2的博客
09-06 8692
目标检测各种loss汇总
FCOS:FCOS
05-10
该项目托管用于实现FCOS算法以进行对象检测的代码，如我们的论文所述： FCOS: Fully Convolutional One-Stage Object Detection; Zhi Tian, Chunhua Shen, Hao Chen, and Tong He; In: Proc. Int. Conf. Computer ...
fcos-gluon-cv:FCOS
03-16
FCOS：完全卷积一阶段对象检测 这是 风格的的非官方实现，我们在完全 API中实现了这种无锚框架，请继续关注！ 主要结果 模型 骨干 火车尺寸 批量大小 AP（值） fcos_resnet50_v1_coco ResNet50-V1 800 1个 -- ...
基于megengine的FCOS的目标检测模型，主干网络ResNet101
10-17
在这个场景中，我们关注的是一个基于MegEngine框架实现的FCOS（Fully Convolutional One-Stage Object Detection）目标检测模型，该模型使用ResNet101作为其主干网络。以下是关于这个模型的详细知识点： 1. **...
基于megengine的FCOS的目标检测模型，主干网络ResNet18
10-17
**基于MegEngine的FCOS目标检测模型与ResNet18主干网络详解** 在计算机视觉领域，目标检测是一项核心任务，其目的是在图像中识别并定位出特定对象。FCOS（Fully Convolutional One-Stage Object Detection）是一种...
基于megengine的FCOS的目标检测模型，主干网络ResNet50
10-17
**基于MegEngine的FCOS目标检测模型** FCOS（Fully Convolutional One-Stage Object Detection）是一种用于目标检测的一阶段算法，它摒弃了传统二阶段检测器中的Proposal和Regression步骤，转而采用全卷积的方式...
目标检测之FCOS
AndyJ的学习之旅
08-10 1843
FCOS: Fully Convolutional One-Stage Object Detection FCOS (CVPR2019) 创新点 去掉了anchor做检测，也就是常说去掉了anchor做检测，也就是常说anchor free，这是最近一段时间目标检测领域比较活跃的方向，比如ECCV2018上的CornerNet 为什么要去掉anchor anhcor的引入对目标检测算法的效果提升帮助很大，这也是为什么最近几年流行的目标检测算法基本上都是基于anchor来预测目标框位置的。但是显然anchor
FCOS论文笔记
cuihaoren01的专栏
03-03 497
论文：FCOS: Fully Convolutional One-Stage Object Detection 论文链接：https://arxiv.org/abs/1904.01355 论文代码：https://github.com/tianzhi0549/FCOS Preface Introduction 首先作者按照“惯例”说明了基于Anchor based 检测器的缺点： 基于Ancho...
FCOS详解S:FullyConvolutionalOne-StageObjectDetection
bestrivern的博客
12-20 747
这玩意和基于anchor的有异曲同工之处，anchor-based是一个点对应n个anchor，而这玩意是每一个点对应一个box。 训练时： 基于anchor的方法是在featuremap的每一个点上产生anchor，然后将anchor映射回原图求gt与anchor的iou，大于一定阈值就认为是正样本，进行gt与anchor的坐标偏移回归，并且进行分类的训练。而这玩意是对于featurema...
【Real-Time Detection survey】实时目标检测网络综述论文 A Comprehensive Study of Real-Time Object Detection Network
wendell 的博客
11-30 1690
目标检测任务同时对目标实例进行分类和定位。通常可分为一阶段和两阶段网络。两阶段检测网络通常包括一个独立的Region Proposal Network (RPN)。通过RPN提取到感兴趣区域，然后分别输入到分类head进行分类，输入到回归head得到定位坐标。通常两阶段网络很少用于实时检查。ThunderNet通过轻量化的RPN结构实现了实时检测。一阶段检测网络不包含独立的Proposal 结构，而是考虑所有可能的目标点。一阶段检测网络通常可分为基于anchor的和基于关键点定位的网络架构。
【目标检测】目标检测的一些常用神经网络模型及方法
kobayashi_的博客
12-01 1万+
我的阶段性总结???? 文章目录1.概述1.2 目标检测的任务1.3 目标检测的分类2.R-CNN系列2.1 [R-CNN（Region with CNN features）](https://arxiv.org/pdf/1311.2524.pdf)2.2 [Fast R-CNN](https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf)2.3 [Fa
最新最全论文合集——STOC 历年最佳论文汇总
AI_Conf的博客
03-12 865
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
FCOS网络解析
热门推荐
霹雳吧啦Wz
05-21 2万+
在之前讲的一些目标检测网络中，比如Faster RCNN系列、SSD、YOLOv2~v5（注意YOLOv1不包括在内）都是基于Anchor进行预测的。即先在原图上生成一堆密密麻麻的Anchor Boxes，然后网络基于这些Anchor去预测它们的类别、中心点偏移量以及宽高缩放因子得到网络预测输出的目标，最后通过NMS即可得到最终预测目标。那基于Anchor的网络存在哪些问题呢...
姚班学霸陈立杰：16岁保送清华，18岁拿下IOI世界冠军，现摘得FOCS 2019最佳学生论文...
量子位
10-19 1907
郭一璞 安妮 发自 凹非寺量子位 出品 | 公众号 QbitAI今年的理论计算机顶会FOCS，一位来自浙江湖州的小哥哥一口气中了3篇论文，还拿下了最佳学生论文奖。而且这...
目标检测模型哪个速度快
最新发布
07-15
在目标检测模型中，速度快的模型一般是指能够实时或接近实时地进行目标检测的模型。以下是一些速度较快的目标检测模型： 1. YOLO (You Only Look Once): YOLO是一种非常快速的目标检测算法，通过将目标检测问题转化为一个回归问题，并使用单个神经网络来实现端到端的目标检测。YOLO的实时性能较好，可以在实时视频流中进行目标检测。 2. SSD (Single Shot MultiBox Detector): SSD也是一种快速的目标检测算法，它通过在不同尺度的特征图上进行预测，从而检测出多个不同尺度的目标。SSD具有较高的准确率和较快的速度，适用于对速度要求较高的应用场景。 3. EfficientDet: EfficientDet是一系列高效的目标检测模型，它基于EfficientNet作为骨干网络，并使用了一种叫做BiFPN（Bi-directional Feature Pyramid Network）的特征金字塔网络结构。EfficientDet在速度和准确率上取得了很好的平衡，能够提供较快的目标检测速度。 4. FCOS (Fully Convolutional One-Stage Object Detection): FCOS是一种基于全卷积网络的单阶段目标检测算法。它通过在整个特征图上进行密集的预测，避免了锚框的使用，从而提高了检测速度。 需要注意的是，速度与准确率之间存在一定的权衡。通常情况下，速度更快的模型可能会在一定程度上牺牲准确率。因此，在选择模型时，需要根据具体应用需求和场景来平衡速度和准确率的需求。
评论 1
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