【目标检测】多尺度检测：STDN

最新推荐文章于 2022-06-08 15:36:03 发布
最新推荐文章于 2022-06-08 15:36:03 发布
阅读量1k 收藏 5
点赞数
分类专栏： 深度学习 目标检测 文章标签： STDN
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/DL_wly/article/details/100142415
版权

Paper：Scale-Transferrable Object Detection

论文链接：http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_Scale-Transferrable_Object_Detection_CVPR_2018_paper.pdf

这是2018年的CVPR目标检测paper，主要是多尺度问题。

目标检测的多尺度问题，一直非常重要。最常用的是PFN，但是PFN会增加内存和计算量，这篇文章提出来一个STDN网络，适合于实时目标检测。

Introduction

常见的几种方式：

image


（a）使用单一尺度的feature map做检测，没有利用多层信息，现在主流还是多尺度融合。

（b）FPN的思想，将多尺度的feature map进行融合，并且针对不同尺度的分别做predict，充分利用了网络信息，对小目标的效果提升明显，但是会增加计算量和内存占用。

（c）SSD的思想，每一层都各自检测一遍，然

最低0.47元/天 解锁文章
Lingyun_wu
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ECCV20-STDN:ECCV 2020论文的源代码
03-08
关于一般人脸反欺骗的解开欺骗痕迹的研究 刘耀杰，乔尔·斯图维尔，刘晓明 [] [] 设置 已在Python 3.6和Tensorflow 1.13.0上测试。 由于其使用contrib软件包，因此代码应在Tensorflow> 1.8.0和<...
STDN-PyTorch:这是 PyTorch 中“On Disentangling Spoof Traces for Generic Face Anti-Spoofing”的非官方实现
05-29
STDN-PyTorch 这是 PyTorch 中“On Disentangling Spoof Traces for Generic Face Anti-Spoofing”的非官方实现[] [ ]要求Python 3.6+ PyTorch 1.6.0 易字典TensorFlow 2+资料准备使用以下任何存储库为实时面部和...
[多尺度物体目标检测]技术概述/综述
Can的博客
03-08 1万+
目录 1 绪论 1.1 引言 1.2 研究背景 1.3 研究意义 1.4 目前存在的问题 2 传统目标检测方法 2.1 HOG+SVM 2.1.1 简介 2.1.2 检测流程 2.2 DPM 2.2.1 简介 2.2.2 检测流程 3 基于REGION PROPOSAL的方法 3.1 R-CNN 3.1.1 算法思想 3.1.2 检测流程 3.2 SPP-NE...
DAY-2 目标检测的多尺度检测
Sylvia_Lan的博客
02-04 171
DAY-2 目标检测的多尺度检测 原文连接：https://bbs.cvmart.net/articles/125 YOLOV1 每层使用同样大小的卷积窗口, 识别超大或超小物体就变得无能为力（最后一层的输出特征图是固定7*7） SSD 最后一层的检测是由之前多个尺度（Multi-Scale）的特征图共同生成的，在多尺度物体的检测上有所提高，但最后几层的所谓“多尺度”是有限的，特征图尺寸越小，可识别的物体越大，对极小目标识别无能为力 FPN（特征金字塔网络） 从顶层（自上而下）的每一层都进行
目标检测_多尺度任务_2020
T5A_318的博客
12-04 330
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文：https://arxiv.org/pdf/1912.05384.pdf 代码： FPN的缺点： (1)特征融合前 在进行特征融合之前，不同层次的特征分别进行11卷积层来减少特征通道，其中不考虑这些特征之间存在较大的语义差距。直接融合这些特征会降低多尺度特征代表的能力。 (2)特征自顶向下融合， 在特征融合中，特征以自顶向下的方式进行传播，利用来自高层特
多尺度目标检测
xys430381_1的专栏
12-19 456
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...
综述 | 目标检测中的多尺度检测方法
m0_61899108的博客
03-01 3371
本文从降低下采样率与空洞卷积、多尺度训练、优化Anchor尺寸设计、深层和浅层特征融合等多个方面入手，对目标检测中的多尺度检测方法进行了全面概述，并介绍了多尺度检测相关方法。 前面的话 传统卷积网络通常采用从上到下的单行结构。对于大物体而言，其语义信息将出现在较深的特征图中；而对于小物体，其语义信息出现在较浅的特征图中，随着网络的加深，其细节信息可能会完全消失。 多尺度检测也是当今物体检测领域最为活跃的研究主题之一，本文主要介绍：多尺度检测。 多尺度是目标检测与图像分类两个任务的一大区别。分类问
特征增强的单阶段遥感图像目标检测模型.docx
最新发布
11-28
传统的基于深度学习的检测方法，如Faster R-CNN和R-FCN，虽然利用了不同大小的锚框来适应不同尺度的目标，但在单层特征图上进行检测时，由于信息有限，效果并不理想。 为了解决这个问题，研究人员提出了多种策略。...
STDN-master_forecasttimeseries_traffic_considerjwf_
10-04
标题“STDN-master_forecasttimeseries_traffic_considerjwf_”暗示了这是一个关于交通网络需求预测的项目，可能使用了一种名为“STDN”的先进模型，重点在于时间序列预测并考虑了特定因素“jwf”。描述中的“DEMAND...
用卷积滤波器matlab代码-Awesome-CV-Paper-Review:计算机视觉各个方向论文速览
05-21
目标检测的热门论文 2019目标检测CVPR 2019物体检测ICLR 2019物体检测AAAI 2018年目标检测CVPR [DA Faster R-CNN] [SNIP] [关系网] [级联R-CNN] [罪] [STDN] [RefineDet] [MegDet] [MLKP] [健身NMS] 2018 ECCV目标...
【目标检测】目标检测中的多尺度检测（Multi-Scale），FPN，RPN
Hali_Botebie的博客
09-12 4748
问什么要查这个呢？ 因为造了个网络图，不确定图二的F 是不是对应于图一的conv 图一 图二 参考：https://bbs.cvmart.net/articles/125 1、目标检测是如何提高多尺度（较大或较小）物体检测率的。 我们来回顾一下，首先，较大的卷积窗口可以卷积后看到较大的物体, 反之只能看到较小的图片. 想象用1x1的最小卷积窗口, 最后卷积的图片粒度和输入图片粒度一模一样. 但是如果用图片长宽 的卷积窗口, 只能编码出一个大粒度的输出特征. 2、如果每层的卷积窗口大小一致 例如yolov
目标检测中的多尺度特征
热门推荐
dekiang
11-06 1万+
目录1. 图像金字塔（image pyramid）1.1 多尺度训练/测试（multi-scale training/testing）1.2 SNIP（Scale Normalization for Image Pyramids）2. 特征金字塔（feature pyramid）2.1 直接的多尺度特征预测2.2 多尺度特征融合+单尺度特征预测2.3 多尺度特征融合+多尺度特征预测 目标检测中最具挑战性的问题就是目标的尺度变化问题（scale variance）。在目标检测中，物体的形状和尺寸大小不一，甚
目标检测学习--FPN(特征金字塔网络)-解决多尺度检测问题
panghuzhenbang的博客
06-08 5340
论文地址《Feature Pyramid Networks for Object Detection》深度神经网络学习到的特征中，浅层特征学到的是物理信息，比如物体的角点、边缘的细节信息，而深层特征学到的是语义信息，更加高维与抽象；目标检测包括分类和定位任务，对于分类任务来说，深层网络学到的特征可能更为重要，而对于定位任务来说，深层次和浅层次的特征同样重要；之前的目标检测算法，多数只采用深层特征来做预测，所含的细节信息比较粗略，即使采用了特征融合的方法，也一般是采用融合后的特征进行预测的；卷积网络可以得到不
目标检测研究方向之多尺度目标检测
yychentracy的博客
06-22 5414
目标检测现在可以研究的方向 目标检测领域还有什么可做的？19 个方向给你建议 - 极市平台的技术博客 - CSDN博客 https://blog.csdn.net/Extremevision/article/details/86436596 总结一下就是： List item 类似ssd的精度和速度的结合，包括，RefineDet，RFBNet 目标检测从基本的选框到选anchor再到角点，比如...
目标检测之二：多尺度
gaotihong的博客
02-26 4227
https://zhuanlan.zhihu.com/p/102817180 Multi-scale Training/Testing 多尺度训练/测试 可参考： 初识CV：MMDetection中文文档—4.技术细节​zhuanlan.zhihu.com 输入图片的尺寸对检测模型的性能影响相当明显，事实上，多尺度是提升精度最明显的技巧之一。在基础网络部分常常会生成比原图小数十倍的特征图，...
（八）计算机视觉 -- 5 多尺度目标检测
FionaDong的博客
11-08 1026
5. 多尺度目标检测 在 锚框 一节中，实验以输入图像的每个像素为中心生成多个锚框。这些锚框是对输入图像不同区域的采样。 然而，如果以图像每个像素为中心都生成锚框，很容易生成过多锚框而造成计算量过大。 例如，假设输入图像的高和宽分别为561像素和728像素，如果以每个像素为中心生成5个不同形状的锚框，那么一张图像上则需要标注并预测200多万个锚框（561×728×5）。 减少锚框的个数并不难。 一种简单的方法是： 在输入图像中均匀采样一小部分像素，并以采样的像素为中心生成锚框。 此外，在不同尺度下，可以生
SSD——样本正负比控制+多尺度检测 (目标检测)(one-stage)(深度学习)(ECCV 2016)
星智云图StarImagine
11-23 1万+
论文名称：《 SSD: Single Shot MultiBox Detector 》 论文下载：https://arxiv.org/pdf/1512.02325.pdf 论文代码：https://github.com/weiliu89/caffe/tree/ssd SSD 的思想： 图片被送进网络之后先生成一系列 feature map，传统一点的one-stage框架会在 featur...
李沐动手学深度学习V2-多尺度目标检测
flyingluohaipeng的博客
06-08 1464
一. 多尺度目标检测 首先，考虑探测小目标，为了在显示时更容易分辨，在这里具有不同中心的锚框不会重叠： 锚框的尺度设置为0.15，特征图的高度和宽度设置为4，可以看到，图像上4行和4列的锚框的中心是均匀分布的，如下图所示。 4. 然后，将特征图的高度和宽度减小一半，然后使用较大的锚框来检测较大的目标，当尺度设置为0.4时，一些锚框将彼此重叠，如下图所示。 5. 最后进一步将特征图的高度和宽度减小一半，然后将锚框的尺度增加到0.8， 此时锚框的中心即是图像的中心，如下图所示。 在某种规模上，假设有
多尺度人脸检测--Face Detection through Scale-Friendly Deep Convolutional Networks
AI小作坊 的博客
10-24 3533
Face Detection through Scale-Friendly Deep Convolutional Networks http://shuoyang1213.me/projects/ScaleFace/ScaleFace.html本文针对多尺度人脸检测问题，采用分而治之的思路来解决，提出不同尺度的人脸需要不同的网络结构来进行检测。然后我们将这些网络组合成一个网络，使用端对端的方式优化

“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