Uncertainty_Bounding Box - Generalized Focal Loss - NanoDet

最新推荐文章于 2024-08-23 22:47:58 发布
最新推荐文章于 2024-08-23 22:47:58 发布
阅读量123 收藏 1
点赞数
文章标签： 深度学习 机器学习 计算机视觉
原文链接：https://zhuanlan.zhihu.com/p/449912627
版权

uncertainty_bbox
这篇文章的insight是，一个传统bbox label的分布是一个单位脉冲函数，作者的想法是如何使用一个高斯分布来柔和地学习这个单位脉冲函数，
这个高斯分布的均值是bbox在图像中的位置。
方差是“接近label”的程度
——————————————————————————————————
generalized focal loss
这篇文章主要是发现了focal loss中一些不足的地方，主要在于fcos在评估质量和评估类别的关系是不合理的。
请添加图片描述
请添加图片描述

  • 如何改进？
  • （1） 首先作者直接改变了label的定义方式
  • （1.1）将分类label改为了 分类label * 关键点定位label(就是fcos中的热力图)，关于positive的定义是如何从1变道0.9的（即如何从离散的改为连续的），这一点我也有些疑惑，需要看代码
  • （1.2）将位置label从离散的脉冲函数改为了连续的高斯分布。
  • （2）对应连续的label 将focal loss改为了连续的形式，同时还要保留focal loss 提取正负样本的特性，提出了 Generalized Focal Loss

—————————————————————————————————
这也就是为什么NanoDet里说，generalized focal loss成功的把 centerness 给去掉了，而且centerness也是很不好训练的一个。
NanoDet Plus

Blue_Whale2020
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python库 | uncertainty_wizard-0.1.3-py3-none-any.whl
03-25
"uncertainty_wizard-0.1.3-py3-none-any.whl" 是一个Python库的发行包，专为处理不确定性分析而设计。这个库的版本是0.1.3，适用于Python 3.x版本，因为文件名中的“py3”表示它与Python 3兼容，“none-any”则意味...
解读Gaussian YOLOv3：终于有人对bbox的可靠性做文章了
watermelon1123的博客
11-28 3394
对于目标检测，大家在网络结构上，IOU上，Anchor上做了大量文章，这篇文章优秀的地方在于提出了针对于bbox可靠性的想法，想到了用高斯模型来评估bbox坐标的可靠性，提出了一种新的计算bbox的loss。 高斯模型 首先回顾一下最原始的YOLOv3： 对于输出feature，每个点输出3×（（tx, ty, tw, th）+ obj_score + class_score）个信息。其...
PicoDet论文译读笔记
墨门
01-05 7127
Keywords: PicoDet, ESNet
NeurIPS 2020 | Focal Loss改进版来了！GFocal Loss：良心技术，无Cost涨点！
weixin_36896856的博客
10-03 1540
点击上方“AI遇见机器学习”，选择“星标”公众号重磅干货，第一时间送达 论文已上传，文末附下载方式本文作者：李翔https://zhuanlan.zhihu.com/p/14769178...
目标检测 - Generalized Focal Loss的Anchor处理机制
flyfish
11-27 1348
目标检测 - Generalized Focal Loss的Anchor处理机制 flyfish 分析的代码采用的是RangiLyu的nanodet，nanodet提供了轻量级模型从训练到Android端安装部署的整体解决方案 源码地址 代码所在路径是nanodet/nanodet/model/head/gfl_head.py 一、基础配置 octave_base_scale: 5 scales_per_octave: 1 strides: [8, 16, 32] batchsize_per_gpu: 2
sce-ua.rar_VIC 模型_python sce-ua_python sceua_sce-ua VIC_vic
07-15
SCE-UA（Sequential Uncertainty Fitting Algorithm with Evolution Strategy）是一种优化算法，常用于水文模型的参数率定。它通过模拟输出与观测数据之间的差异来调整模型参数，以最小化误差。在这个场景下，SCE-UA...
kica.rar_ kica_KICA_KICA-pdf_核KICA_独立成分分析
09-19
作者是Bach和Jordan，他们在2002年的UAI（Uncertainty in Artificial Intelligence）会议上发表，这是一个在人工智能和概率图模型领域内的重要会议。 3. "Kernel Independent Component(kernelICA-jmlr).pdf" - 这...
mono-uncertainty:CVPR 2020-关于自我监督式单眼深度估计的不确定性
05-04
title = {On the uncertainty of self-supervised monocular depth estimation}, author = {Poggi, Matteo and Aleotti, Filippo and Tosi, Fabio and Mattoccia, Stefano}, booktitle = {IEEE/CVF Conference...
计算机毕业设计--基于深度学习(PSPNet、空洞卷积Atrous Convolutions)的多类型图像通用分割模型
qq_45566099的博客
08-20 877
图像分割是计算机视觉中的一项关键技术，其研究背景涵盖了多个应用领域。在医学影像分析中，图像分割用于自动提取解剖结构、病灶区域以及其他重要特征，从而辅助医生进行诊断和治疗规划。例如，在MRI和CT图像中，精确的器官或肿瘤分割能够帮助确定病变位置、体积和发展趋势，从而提高治疗效果。此外，在自动驾驶领域，图像分割技术用于实时识别道路、车辆、行人等关键元素，确保自动驾驶系统的安全性和可靠性。在卫星遥感领域，图像分割被广泛应用于土地覆盖分类、环境监测、灾害评估等方面，通过对地表图像的精细分割，科研人员能够更好地分析地
【视频讲解】主成分分析原理与水果成熟数据实例：Python中PCA-LDA 与卷积神经网络CNN...
拓端研究室TRL
08-22 480
全文链接：https://tecdat.cn/?p=37450分析师：Shixian Ding主成分分析（PCA）作为数据科学中用于可视化和降维的重要工具，在处理具有大量特征的数据集时非常有用。就像我们难以找到时间阅读一本 1000 页的书，而更倾向于 2 到 3 页的总结以抓住整体概貌一样，当数据集中特征过多时，PCA 可以帮助我们减少维度，提高模型训练效率，同时尽可能保留更多信息（点击文末“...
【深度学习】Human3.6M索引和部位
gaocui883的博客
08-19 312
参考：https://github.com/gauraviiita/Visualization-of-Human3.6M-Dataset/
深度学习/机器学习软件教学平台
中智讯的博客
08-20 336
机器学习与深度学习教学系统是基于业界应用广泛的在线机器学习和深度学习建模开发框架JupyterLab开发的，面向高校数据分析、机器学习、深度学习，以及人工智能相关专业教学和实训的教学系统。1）“所见即所得”的在线机器学习和深度学习编程体验，用户可以修改实验代码，调整算法参数，观察不同的实验效果；3）支持不同内核的Python环境，用户也可以自行创建自定义的Python环境，并在教学系统中加载；4）如果存在GPU加速卡时，可以加载GPU环境，实现深度学习模型训练加速；
【深度学习】【多模态】使用MiniCPM-V 2.6进行图片OCR
q742971636的博客
08-19 208
将下面的python中的目录地址换成MiniCPM-V-2_6项目所在地址。OCR没有专用OCR识别能力强，但分析能力非常好，感觉可以用于分析版面。准备一个图片’test.jpg’。
深度学习基础—Batch Norm
sniper_fandc的博客
08-20 1089
对于一个神经网络我们知道，归一化输入特征是加速网络训练的技巧之一，因为归一化后，损失函数的图像就会由狭长变得更圆，那么这是否启发我们，在深度更深模型中，对各层的输出进行归一化，有益于下一层的学习？毕竟上一层的输出是下一层的输入。这就是由于每一层的参数更新后，对于同一输入，输出的分布就会发生改变（这称之为），这带来的影响是下一层需要不断适应上一层输出的分布，从而导致下一层与上一层之间的联系紧密（有点过拟合的意思），通过归一化就可以加强层与层之间的独立性，从而加速网络的学习。
2025秋招书籍推荐：《深度学习的数学理论》——揭示深度学习背后的数学逻辑
weixin_41496173的博客
08-20 618
近年来，随着深度学习在图像识别、自然语言处理等领域的突破性进展，越来越多的研究者和开发者投入到这个领域。然而，尽管深度学习在实践中取得了显著的成功，其背后的理论机制仍然让很多人感到迷惑。这就是为什么我今天想向大家推荐一本书——《深度学习的数学理论》（*Mathematical Theory of Deep Learning*），由Philipp Petersen和Jakob Zech两位学者撰写，它深入探讨了深度学习的数学原理，帮助读者理解为什么神经网络能够如此有效地解决复杂问题。
时序预测|基于贝叶斯BO-卷积-双向门控单元-注意力机制的单变量时间序列预测模型BO-CNN-BiGRU-Attention
2401_86241083的博客
08-20 1011
matlab版本要求2023a以上基于贝叶斯BO-卷积-双向门控单元-注意力机制的单变量时间序列预测本文提出了一种基于贝叶斯BO-卷积-双向门控单元-注意力机制的单变量时间序列预测方法，使用BO算法来优化CNN和BiGRU网络结构的超参数，同时添加了注意力机制提高模型的预测性能。为了提高代码的可读性和可维护性。该方法在多个公共数据集上进行了实验，结果表明该方法在预测单变量时间序列方面具有显著的优势，且与当前最先进的方法相比，能够显著提高预测性能。包括但不限于。
Magenta——利用深度学习生成音乐和艺术内容
最新发布
m0_75253143的博客
08-23 889
Magenta 算法集成了深度学习中的多种核心技术，包括 RNN、Transformer、GAN、VAE 和多模态学习。这些技术的结合使 Magenta 能够生成高质量的音乐、艺术图像和跨领域的创意内容。通过注意力机制、上下文理解和数据增强，Magenta 实现了更加连贯、自然且具备创意的生成效果，适用于各类艺术创作和互动应用场景。
Python编程、机器学习与深度学习
lwjnlqiqi的博客
08-20 1011
迁移学习、循环神经网络（RNN）、长短时记忆网络（LSTM）、时间卷积网络（TCN）、生成对抗网络（GAN）、YOLO目标检测算法、自编码器等前沿技术的原理及其PyTorch编程实现
基于深度学习的材料性能预测
weixin_42605076的博客
08-23 598
基于深度学习的材料性能预测是材料科学领域的一个前沿研究方向，它结合了人工智能和材料学，通过分析和建模复杂的材料数据，来预测材料的性能和特性。这一技术正在加速新材料的发现和优化过程，从而推动材料科学的发展。
set static_ports "" set_clock_latency ${latency} [get_clocks *] set_clock_uncertainty -setup ${margin} [get_clocks *] set_clock_gate_latency -stage 1 -fanout_latency "1-inf ${gate_latency}" -clock [get_clocks *]，翻译
06-01
这段代码是一个Tcl脚本代码片段，它的作用是设置时钟相关的一些属性，包括时钟延迟、时钟不确定性和时钟门延迟。 具体来说，这段代码首先将变量$static_ports初始化为空字符串。 然后，使用set_clock_latency命令设置时钟延迟，其中$latency表示时钟延迟的值，[get_clocks *]表示获取所有时钟对象。 接着，使用set_clock_uncertainty命令设置时钟不确定性，其中-setup表示时钟上升沿的不确定性，$margin表示不确定性的值，[get_clocks *]表示获取所有时钟对象。 最后，使用set_clock_gate_latency命令设置时钟门延迟，其中-stage 1表示时钟门的级数为1，-fanout_latency "1-inf ${gate_latency}"表示时钟门的延迟范围为1到无穷大，其中${gate_latency}表示时钟门的延迟值，-clock [get_clocks *]表示获取所有时钟对象。 最终，这段代码设置了所有时钟的延迟、不确定性和门延迟属性。
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