one_stage - anchor_free - FCOS

已于 2022-05-26 20:38:02 修改
阅读量646 收藏 1
点赞数
文章标签： 回归 人工智能 目标检测 python
于 2022-01-17 10:44:41 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/Blue_Whale2020/article/details/122534384
版权

FCOS，ATSS

最近看到了这篇文章
anchor free和anchor based的目标检测方法的区别到底在哪里
所以补一下fcos
还是没看代码，有些模型流程全靠论文理解，这个以后会补上
先放两个看起来不错的讲解
FCOS_csdn
FCOS_知乎
—————————————————————————————————
有关几个看不明白的地方

  • 有关标签的分配策略
  • FCOS会先把feature map上所有的点回归到原图上去 回归是指回归到这个点对应在原图的 感受野中心，如果回归到原图的点落入到一个ground truth当中，这个点就负责预测这个ground truth ,同时它的class label 就是这个ground truth 的类别。
  • 有关center-ness
  • 原文里用的是BCE-loss，二分类的CE损失，就是每个点只根据距离做二分类，那么label的分类策略就是热力图式的
    在这里插入图片描述
  • 有关目标重合
  • FCOS用两种手段解决同一个预测点落入不同且相邻的目标框的问题。
  • （1） 预测点负责两个重叠区域中较小的那个
  • （2）设置了几个尺寸区间，m2,m3,m4,m5,m6,m7 = 0, 64, 128, 256, 512,无穷大。（m2,m3),(m3,m4),(m4,m5),(m5,m6),(m6,m7)这几个区间，使用ltrb四个参数来确定预测点该预测那种尺度的目标框。
    在这里插入图片描述
    在这里插入图片描述

ATSS 分析了 anchor free 即 FCOS 和 anchor based 模型之间的区别，发现最大的区别在于正负样本的定义方式
从而提出了自适应选择IOU以及更合理的区分正负样本的方法
https://zhuanlan.zhihu.com/p/120652249

Blue_Whale2020
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
resnet one-stage之anchor
shuijinghua的博客
08-06 728
https://www.jianshu.com/p/596e4171f7ad 类似RPN区域生成网络(region proposal network)具有平移不变性的anchor boxes. 从P3到P7层的anchors的面积从32*32一次增加到了512*512(为什么?怎么算的?),每层anchors长宽比{1:2,1:1,2:1},每层增加尺寸 ,这样每层有9个anchors, .....
详解FCOS《FCOS: Fully Convolutional One-Stage Object Detection》
进击的扛把子
04-11 4714
文章目录0️⃣前言1️⃣Introduction2️⃣FCOS原理2.1 FCOS网络结构及输出设计2.2 Head输出特征图解码详解FPN的多级预测机制引用 0️⃣前言 Paper link：https://arxiv.org/pdf/1904.01355.pdf Code link：https://github.com/tianzhi0549/ 1️⃣Introduction FCOS的paper是《FCOS: Fully Convolutional One-Stage Object Detection
目标检测中的标签分配策略
qq_39973953的博客
06-22 1061
label assignment 主要指的是检测器在训练阶段区分正负样本，并给feature map 不同位置匹配合适的监督目标，用于计算损失，进而完成梯度更新，合适的分配策略对于模型来说至关重要，在一定程度上决定了模型的性能。
【目标检测】目标检测中的标签分配
wzk4869的博客
03-15 1619
文章目录一、前言二、标签分配方法的分类2.1 标签是否非负2.2 是否有预测结果参与 一、前言 在目标检测任务中，标签分配起着关键的作用，其目的是将样本划分成正样本和负样本，然后与GT之间计算loss，决定模型如何学习和收敛。 二、标签分配方法的分类 2.1 标签是否非负 标分配策略，是一个预定义的规则，能够分配每个anchor的正负，也就是一个gt会对应多个anchor。 常用的label assignment是Max IOU Assign，具体流程： 首先，对于GT box(NNN个)和anchor(
(七)标签分配
qq_23123181的博客
12-07 1290
标签分配策略，是一个预定义的规则，能够分配每个anchor的正负，也就是一个gt会对应多个anchor。1、ATSS2、OTA: Optimal Transport Assignment for Object Detection3、Freeanchor、AutoAssign 等通过使用预测的 confidence score 来动态分配正负
Python-FCOS完全卷积一步OneStage物体检测
08-11
**Python-FCOS完全卷积一步OneStage物体检测** 在计算机视觉领域，物体检测是关键任务之一，它涉及识别图像中的目标并确定它们的位置。传统的两阶段方法如R-CNN系列（Region with Convolutional Neural Networks）...
FCOS-PyTorch-37.2AP:FCOS 37.2AP的纯炬管工具
05-01
FCOS：Pytorch实施支持PASCAL VOC和MS COCO 与此仓库类似的RetinaNet代码： : 您可以找到无锚点和锚点底座之间的区别。AP结果PASCAL VOC（800px） 可可（800px） 78.7（IoU.5） 37.2要求的OpenCVPython的火炬> = 1.0...
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 ... cd fcos-gluon-cv sudo python3 setup.py build sudo
22. Anchor-free目标检测1
08-03
近期的Anchor-free模型如FSAF、FCOS和FoveaBox等，都在(DenseBox的基础上有所创新。我们将探讨一些具有代表性的Anchor-free模型，包括它们的早期探索、基于关键点的方法以及密集预测的策略。 **早期探索** 1. **...
FCOS:FCOS
05-10
FCOS: Fully Convolutional One-Stage Object Detection; Zhi Tian, Chunhua Shen, Hao Chen, and Tong He; In: Proc. Int. Conf. Computer Vision (ICCV), 2019. arXiv preprint arXiv:1904.01355 全文可在以下...
【论文阅读笔记】FCOS代码结合论文阅读
flora
12-23 1324
FCOSencoderdecoder encoder 特征提取用的就是resnet50+FPN backbone用的是ResNet-50，和RetinaNet用的一样的超参， decoder decoder部分就是上图红色框出来的部分，head分为分类head和回归head (Pdb) self.rpn FCOSModule( (head): FCOSHead( (cls_tower...
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】FCOS理论知识讲解
计算机视觉方面的点点滴滴，欢迎一起讨论
05-22 1万+
文章目录1 FCOS是什么1.1 核心思想1.2 Anchor-Based缺点1.3 FCOS优点2 FCOS 网络结构介绍2.1 FCOS 初始版本2.2 FCOS 分支改进版本3 正样本、负样本、模糊样本的定义4 特征图上的点映射回原图5 锚点回归目标值6 模糊样本的处理7 Center-ness分支8 后续改进8.1 center sampling8.2 centerness 分支的 centerness计算8.3 regression分支的loss8.4 bbox loss weight8.5 n
Anchor-Free即插即用 | 平滑标签分配+动态IoU匹配
CV_Autobot的博客
08-08 1095
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取后台回复【多模态综述】获取论文！后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！后台回复【领域综述】获取自动驾驶全栈近80篇综述论文！Anchor-free检测器基本上将目标检测表述为密集分类和回归。对于流行的Anchor-free检测器，通常会引入一个单独的预测分支来估计定位的质...
#今日论文推荐# Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致
w1hsxn的博客
08-03 218
Anchor-free检测器基本上将目标检测表述为密集分类和回归。
(论文阅读)目标检测之FCOS
血狼傲骨
10-23 3186
FCOS一、FCOS简介1.1、论文基本信息1.2、内容概要二、详细解读2.1、摘要2.2、问题提出2.3、改进方法2.4、网络结构2.5、优点2.6、论文结果 一、FCOS简介 paper地址:http://xxx.itp.ac.cn/pdf/1904.01355.pdf code地址:https://github.com/tianzhi0549/FCOS 1.1、论文基本信息 翻译为:FCOS:全卷积一级目标检测 发表于ICCV2019 1.2、内容概要 这篇论文主要提出了一种全卷积one-stage
FCOS学习笔记
_liuzt的博客
12-23 312
FCOS: Fully Convolutional One-Stage Object Detection ICCV2019 论文链接 代码链接 Abstract FCOS是全卷积的一阶段检测器，采用类似于语义分割的方法，用逐像素预测的方法检测目标 FCOS没有使用Anchor，精度超过了当时所有的一阶段检测器 FCOS唯一的后处理是NMS Introduction Anchor-based的方法缺点： 检测性能对Anchor的大小、比例、数量这些超参数敏感 固定的anchor损害检测器的普适性，导致
目标检测: 一文读懂 FCOS (CVPR 2019)
weixin_46142822的博客
04-04 9872
论文：FCOS: Fully Convolutional One-Stage Object Detection 代码：https://github.com/tianzhi0549/FCOS 1 前言 现在主流的目标检测网络如 RetinaNet, SSD, YOLOv3 和 Faster R-CNN 都是基于anchor-based，存在如下缺点： (1) 检测性能对 anchor boxes的数量和宽高比(aspect ratio)敏感； (2) 由于anchor boxes 的宽高比是固定的，难以处理尺
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...
anchor based和anchor-free
最新发布
07-27
Anchor-based和Anchor-free是两种不同的目标检测方法。Anchor-based方法使用预定义的anchor框来匹配真实的目标框，通过回归和分类来检测目标。这种方法包括Faster R-CNN、RetinaNet和YOLO等。而Anchor-free方法则不...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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