阅读小结：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

最新推荐文章于 2022-07-16 15:33:29 发布
最新推荐文章于 2022-07-16 15:33:29 发布
阅读量1.5k 收藏 3
点赞数 2
分类专栏： 论文阅读 文章标签： 深度学习 CNN 物体检测
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/Layumi1993/article/details/73350467
版权

arXiv: https://arxiv.org/pdf/1704.03414.pdf


What:

1. 目标是去增强  检测器对于遮挡和形变 的泛化能力 

2. 但是数据集中 遮挡和形变 的图像一般较少  

3. 所以作者提出了 adversary的方法去增加 训练难度

4. 整个网络是 基于 Fast-RCNN 而不是 Faster-RCNN



How:

1. 先pretrain Fast-RCNN网络

2. 通过sliding window （如果feature map的大小是6*6，这个window大小是2*2）找到遮住哪部分对网络影响最大，用这个使loss最大的mask来pretrain adverse的部分网络（ASDN）

3. pretrain ASDN使用的loss 是 mask上每个像素做二分类cross entropy loss（其实这里也可以直接regression吧？）

4. pretrain完了以后，实际在训练的时候，ASDN输出的不是二值，而是一个0～1之间的概率。所以可以设置一个阈值，来确定最后到底要dropout哪些。作者实际上是先找到top50% predict出来要dropout的点，然后在这50%的位置里再随机选一些点来drop。实际就是drop了 1/3的位置。

5. 现在都pretrain完了～可以连起来训练了 

6. 另外，4中使用了随机采样，是不可导的。所以作者说可以用rl的方法来处理这部分的回传bp，但没细说。

7. 类似的我们除了可以用dropout 来模拟遮挡，也可以用 stn来模拟 物体的旋转 形变。

8. STN这部分限制了旋转角度为 -10度到10度

9. A-dropout 和 A-stn可以串行

Layumi1993
关注
  • 2
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
[深度学习论文笔记][CVPR 17 oral]A-Fast-RCNN： Hard Positive Generation via Adversary for Object Detection
KFXW的专栏
02-23 1516
这篇文章提出了一种新的对手生成策略，通过训练提升检测网络对遮挡、形变物体的识别精度。遮挡和形变是检测任务中影响模型性能的两个显著因素。增加网络对遮挡和形变的鲁棒性的一个方式是增加数据库的体量。但是由于遮挡的图片一般都处在图像分布的长尾部分，即便增加数据，遮挡和形变的图片仍是占比较少的部分。另一个思路就是使用生成网络产生遮挡和形变图片。然而遮挡和形变的情况太多，直接生成这些图片还是比较困难的事情。
A-Fast-RCNN:Hard Positive Generation via Adversary for Object Detection
qq_16540387的博客
03-02 492
一 摘要 这些近年来的建立在从ImageNet分类的任务中成功学到的强大的深层特征，因此，物体检测领域取得了显著地进步。最近的研究集中在物体检测系统主要有三个方向。 第一个方向依赖于改变这些网络的基础架构。中心思想是使用更深层次的网络不仅可以导致分类改进，而且可以导致目标检测性能提高。最近在这方面的一些工作包括ResNet，Inception-ResNet和ResNetXt 。 第二个研究领...
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
我是一个菜鸟，虚心学习的菜鸟。
05-16 3956
这篇论文作者在Fast RCNN的基础上，运用对抗生成网络GAN的思想，加入了两个对抗网络来加强Fast RCNN算法的鲁棒性，下面的内容是这篇文章的翻译，我已经修改过大部分的内容使得读起来比较通顺，接下来准备研究代码，根据作者的思想看看能否加入一点自己的东西。 代码：https://github.com/xiaolonw/adversarial-frcnn A-Fast-RCNN:H
A-Fast-RCNN算法详解（基于变形/遮挡场景）
woduitaodong2698的博客
03-24 2437
A-Fast-RCNN算法详解（基于变形/遮挡场景）算法背景算法介绍算法对比 算法背景 论文全称：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 论文链接：https://arxiv.org/pdf/1704.03414 论文日期：2017.8.11 期刊：CVPR 算法提出的场景： 遮挡 变形 ...
CVPR17论文有感：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
Trasper1的博客
08-09 1213
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 还是那个老故事，即如何解决Deep检测跟踪器训练时正样本（尤其在occlusion和deformation情况下的hard positive）不足的问题。这个问题的紧迫性在于这样样本的缺失导致训练所得网络在occlusion、deformation等a...
RCNN-FastRCNN-FasterRCNN-MaskRCNN-TensorMask论文
03-30
2017 A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 2018 Mask R-CNN 2019 TensorMask: A Foundation for Dense Object Segmentation 博客整理：...
深度学习应用于计算机视觉的最新进展论文合集--11篇标志性的重大进展论文
12-07
A-Fast-RCNN_Hard Positive Generation via Adversary for Object Detection；DSSD_Deconvolutional Single Shot Detector；Enhancement of SSD by concatenating feature maps for object detection；。。。。。
Distributed fault detection for second-order discrete-time multi-agent systems with adversary
02-09
Distributed fault detection for second-order discrete-time multi-agent systems with adversary
natural-adversary:生成自然对抗示例，ICLR 2018
05-18
产生自然对抗的例子ICLR 2018年论文“”的代码。参考 @inproceedings{zhengli2018iclr, title={Generating Natural Adversarial Examples}, author={Zhao, Zhengli and Dua, Dheeru and Singh, Sameer}, booktitle={...
Intelligence-Driven Incident Response: Outwitting the Adversary pdf
06-19
Using a well-conceived incident response plan in the aftermath of an online security breach enables your team to identify attackers and learn how they operate. But, only when you approach incident ...
对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
热门推荐
AI小作坊 的博客
04-12 1万+
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection CVPR 2017 Caffe code : https://github.com/xiaolonw/adversarial-frcnn本文将对抗学习引入到目标检测问题中，通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络，从而使得网络能够对遮挡和
关于解决深度监测和跟踪器训练时hard postive样本不足的问题，三篇CVPR文章有感
Trasper1的博客
08-09 561
        还是那个老故事，即如何解决Deep检测跟踪器训练时正样本（尤其在occlusion和deformation情况下的hard positive）不足的问题。这个问题的紧迫性在于这样样本的缺失导致训练所得网络在occlusion、deformation等appearance variation情况下的鲁棒性不足。        传统解决此问题有两个方向的思路：1. 尽可能收集和建立越...
对比学习损失函数（RINCE/ReLIC/ReLICv2）
weixin_45657478的博客
07-16 7599
本文介绍3种对比学习损失函数，包含RINCE/ReLIC/ReLICv2。
论文理解：A-Fast-RCNN
水不在深有江的博客
01-09 524
motivation：文中指出，由于偶然因素的存在，目标检测中目标的遮蔽情况，形状等并不完全符合寻常的分布(举例如下图) 而为了使得网络模型对这些目标的变体具有鲁棒性，通常的做法是采用扩充数据集的方式来尽可能覆盖所有情况。而由于long-tail(长尾; 代表小批量销售的大量商品的市场部分，与大批量销售的少量商品相比，被认为具有更高的金融价值)的数据分布，这种方式很难涵盖所有情况，因此引入图片生...
目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
cv_family_z的博客
04-13 6036
如何训练一个目标检测器，对遮挡和形变鲁棒，目前的主要方法是增加不同情况的图像数据，但这些数据有时又特别少。作者提出使用对抗生成有遮挡或形变的样本，这些样本对检测器来说比较困难，使用这些困难的正样本训练可以增加检测器的鲁棒性。与Fast-RCNN比较，在VOC2007上，mAP增加了2.3%，VOC2012上增加了2.6%。不同遮挡或形变的物体如下图所示： Fast-RCNN检测器损失函数有两项，s
对抗网络之目标检测应用：A-Fast-RCNN
跟随技术的脚步-linolzhang的专栏
08-05 9473
对抗网络之目标检测应用：A-Fast-RCNN       论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 【点击下载】       Caffe代码：【Github】一. 深度学习正确的打开方式       深度学习的根基在于样本，大量的样本决定了深度网络的精确度和收敛性，针对样本的挖掘是深度学
A-Fast-RCNN代码运行以及问题解决方法
我是一个菜鸟，虚心学习的菜鸟。
05-22 2643
最近读了A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection这篇论文，读了之后根据作者提供的代码，准备跑一跑作者的代码。但是作者给的代码只有ASDN网络部分的，ASTN网络部分的还没有给出来，先说说自己跑代码的时候遇到的一些坑以及代码的运行过程。  首先是从官网克隆代码：
关于focal loss和分类任务中的hard negative（positive）mining
Trasper1的博客
12-09 3821
深度学习，数据是关键。 在训练一个分类器的时候，对数据的要求是class balance，即不同标签的样本量都要充足且相仿。然而，这个要求在现实应用中往往很难得到保证。 下面我以基于检测的单目标跟踪举例分析这个问题。 visual object tracking是在一段视频中跟踪一个特定目标。常见的方法有one-stage regression（比如correlation filter tr...
def adversarial(x, model, loss_func, c=1e-4, kappa=0, num_iter=100, lr=0.01): """ Create adversarial examples using CW algorithm Args: - x: input image - model: the neural network model - loss_func: the loss function to use - c: the weight for the L2 regularization term (default=1e-4) - kappa: the confidence parameter (default=0) - num_iter: number of iterations for the algorithm (default=100) - lr: learning rate for the optimization (default=0.01) Returns: - x_adv: adversarial example """ x_adv = x.clone().detach().requires_grad_(True) for i in range(num_iter): output = model(x_adv) loss = loss_func(output, torch.tensor([kappa]), x, x_adv, c) model.zero_grad() loss.backward() with torch.no_grad(): x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x - 0.35) x_adv = torch.clamp(x_adv, 0, 1) x_adv.requires_grad_() return x_adv.detach()上述代码出现TypeError: ce_loss() takes 2 positional arguments but 5 were given错误，请改正
最新发布
06-01
根据代码，`loss_func`应该是一个函数，且它的输入参数应该是模型的输出 `output`和目标标签 `target`。因此，需要修改 `loss_func` 函数的输入参数，将 `x`、`x_adv` 和 `c` 作为函数的参数，而不是在函数调用时传入。修改后的代码如下： ``` def adversarial(x, model, loss_func, c=1e-4, kappa=0, num_iter=100, lr=0.01): """Create adversarial examples using CW algorithm Args: - x: input image - model: the neural network model - loss_func: the loss function to use - c: the weight for the L2 regularization term (default=1e-4) - kappa: the confidence parameter (default=0) - num_iter: number of iterations for the algorithm (default=100) - lr: learning rate for the optimization (default=0.01) Returns: - x_adv: adversarial example """ x_adv = x.clone().detach().requires_grad_(True) for i in range(num_iter): output = model(x_adv) loss = loss_func(output, kappa, target=x, adversary=x_adv, c=c) model.zero_grad() loss.backward() with torch.no_grad(): x_adv += lr * x_adv.grad x_adv = torch.max(torch.min(x_adv, x + 0.35), x - 0.35) x_adv = torch.clamp(x_adv, 0, 1) x_adv.requires_grad_() return x_adv.detach() ```

“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

打赏作者

Layumi1993

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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