Progressive Hard-case Mining across Pyramid Levels in Object Detection论文阅读

最新推荐文章于 2024-04-01 11:34:23 发布
最新推荐文章于 2024-04-01 11:34:23 发布
阅读量668 收藏 3
点赞数 1
分类专栏： 论文阅读 文章标签： 深度学习 机器学习 pytorch 目标检测 计算机视觉
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/Q1u1NG/article/details/120368820
版权

Progressive Hard-case Mining across Pyramid Levels in Object Detection论文阅读

code: https://github.com/zimoqingfeng/UMOP

paper: https://arxiv.org/pdf/2109.07217.pdf

请添加图片描述

Contributions

  1. 通过实验证明FPN的性能在一定程度上受到特征层级之间不平衡问题的限制。
  2. 提出的改进方法UMOP缓解了特征层级之间的不平衡问题, 可以提高one-stage检测器大约1.5的mAP，且收敛更快，没有额外计算量。
  3. 论文的最佳模型在MS COCO测试设备上实现了55.1 AP，这是迄今为止单级探测器中的SOTA。
  • UMOP
    • 独立的分类损失监控每个金字塔级别，并考虑单独的重新采样.
    • 渐进式硬案例挖掘损失(progressive hard-case mining loss)定义了金字塔级别的所有损失，解决了级别不平衡问题，无需额外的级别设置。

The Statistical Analysis on Level Imbalance

最低0.47元/天 解锁文章
Laughing-q
关注
专栏目录
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 8883
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
Progressive End-to-End Object Detection in Crowded Scenes-拥挤场景下的渐进式端到端目标检测
wfl6666的博客
02-25 1457
多个候选框都预测到了一个目标上和加深网络的时候，性能不会有什么提升。因此本文主要的改动在于decoder的最后一个stage。在最后一个state中，提出了一个relation information extractor和query updater。除此之外，还提出了一个一对一标签分配规则（没有在图显出）。relation information extractor是用于noise-query和accepted query进行空间交互的，而query updater用于更新query
【论文】【翻译】目标检测中跨金字塔层级的渐进式困难样本挖掘
梦想是要有的，万一实现了呢！
03-09 3736
原文：Progressive Hard-case Mining across Pyramid Levels in Object Detection 一、摘要 在目标检测中，多级预测（例如，FPN、YOLO）和重采样技巧（例如，焦点损失、ATSS）极大地提高了一级检测器的性能。但是，如何通过逐级优化特征金字塔来提高性能仍未探索。我们发现，在训练过程中，正样本与负样本的比率在金字塔级别（级别不平衡）上有所不同，这是当前的一级检测器无法解决的。为了调解级别不平衡的影响，我们提出了一个统一的多级优化范式（UM
困难样本挖掘：Hard Sample Mining（原理及实现）
最新发布
Java开发，人工智能，边缘计算，致力于掌握前沿技术
04-01 4838
困难例挖掘方法通常可以提高目标检测器的性能，因为它受到不平衡训练集的影响。在这项工作中，两种现有的困难例子挖掘方法（LRM和焦点损失，FL）被调整并结合到最先进的实时目标检测器YOLOv5中。广泛地评估了所提出的方法对于提高困难例性能的有效性。在2021年Anti-UAV挑战数据集上，与使用原始损失函数相比，所提出的方法使mAP提高了3%，与单独使用困难挖掘方法（LRM或FL）相比，提高了约1%。
目标检测tricks总结(记录)
weixin_42638415的博客
11-01 1460
可以根据实际任务，修改anchor预设的大小和scale ，也就是说stride + anchor ratio + anchor scales都可以调整，选择不同stride确定了feature map的大小，stride就是说下采样的比例，4就是256*256变成64*64，ratio确定了纵横比和尺度。
即插即用&无痛涨点的UMOP：在目标检测被“遗忘”领域进行探索
AI_Conf的博客
09-18 577
以下是AMiner今日推荐论文详细内容介绍： 论文名称：Progressive Hard-case Mining across Pyramid Levels in Object Detection 论文链接： https://www.aminer.cn/pub/6142b6135244ab9dcbc97c10?f=cs 在目标检测领域，多级预测(比如FPN、YOLO)与重采样技术(如Focal Loss、ATSS)极大的提升了一阶段检测器性能。然而，如何通过逐级优化特征金字塔提升性能尚未进行探索。我们发现：
论文阅读-《Training Region-based Object Detectors with Online Hard Example Mining》
yj_isee的博客
03-19 5087
收录于CVPR2161.Abstract作者指出了region-based的分类器的训练过程当中有很多超参数需要调节，这样使得训练过程很复杂。因此他们提出了一种online hard example mining的方法，可以在训练的过程中自动选择那些hard example加入训练，这样使得训练更加有效和快速，同时能提升网络的性能。2.Introduction作者指出了object detectio
TGRS2023/遥感/目标检测：CoF-Net: A Progressive Coarse-to-Fine Framework for Object Detection
ssshyeong的博客
02-13 2358
本文提出了一种新颖的由粗到精的遥感图像目标检测框架( CoF-Net )。CoF - Net主要由两个并行分支组成，即由粗到精的特征自适应( CoF-FA )和由粗到精的样本分配( CoF-SA )，分别旨在逐步增强特征表示和选择更强的训练样本。具体来说，CoF - FA将原始的粗特征平滑地细化为具有判别性空谱细节和语义关系的多光谱非局部精细特征。同时，CoF - SA通过在训练过程中逐步引入几何和分类约束进行样本分配，动态地从粗到细考虑样本。
Training Region-based Object Detectors with Online Hard Example Mining论文精读
qq_42738654的博客
06-29 253
核心思想直接上图： 前面和fast RCNN一致，包括提取ROIs也是用的selective search方法（一张图片有上千个ROIs），然后每个ROI都得到一个loss的值，这时候使用NMS去掉一部分高度重叠的ROI，防止计算多次，对剩下的小片按损失值从大到小进行排序，loss越大肯定是没有训好的，也就是hard negative examples,取一部分放入下面的head部分。 读下来查询博客有两个问题觉得很容易被忽略： 1.NMS怎么理解呢？ 首先计算所有RoIs的损失，把损失从高到低排序，然后
Training Region-based Object Detectors with Online Hard Example Mining论文讲解
baidu_38634017的博客
07-16 409
转载自：https://zhuanlan.zhihu.com/p/58162337 Training Region-based Object Detectors with Online Hard Example Mining00 Astract摘要主要讲了四点：(1) 训练过程需要进行参数的空间搜索(2) 简单样本与难分辨样本之间的类别不平衡是亟需解决的问题(3) 自动地选择难分辨样本来进行训练不仅效率高而且性能好(4) 提出了OHEM算法，不仅效率高而且性能好，在各种数据集上表现优越01 Introduc
hard example mining(困难样本挖掘)
qq_44804542的博客
03-28 1万+
分类中的一些基础概念： 正样本：包含我们想要识别类别的样本，例如，我们在做猫狗分类，那么在训练的时候，包括猫或者狗的图片就是正样本 负样本：在上面的例子中，不包含猫或者狗的其他所有的图片都是负样本 难分正样本(hard positives)：易错分成负样本的正样本，对应在训练过程中损失最高的正样本，loss比较大（label与prediction相差较大）。 难分负样本(hard negatives)：易错分成正样本的负样本，对应在训练过程中损失最高的负样本** 易分正样本(easy positive)：
（HEM/OHEM）hard negative（example）mining难例挖掘 与focal loss、GHM损失函数
xys430381_1的专栏
06-18 6925
分类任务中的样本不均衡及hard negative mining的必要性 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。 在目标检测算法中，对于输入的一张图像，可能会生成成千上万的预选框（region proposal），但是其中只有很少一部分是包含真实目标的，这就带来了类别不均衡问题。 类别不平衡时...
ssd检测模型中的hard example mining源码解析以及这一机制对训练loss的影响
yuanlunxi的专栏
12-02 3328
计算机视觉交流群：677855967，欢迎大家加入交流。 最近尝试用coco数据集训练tensorflow object detection api(下简称api)中的ssd检测模型；在tensorboard中监测到loss曲线如下： 对总体loss进行局部放大如下：                                                              ...
Focal Loss 与 Progressive Focal Loss的pytorch实现
qq_23093643的博客
08-16 403
Focal Loss的pytorch实现介绍代码 介绍 介绍很多，大家随便搜搜吧，这里就不介绍了 主要网上很多focal loss的代码只有二分类，而且写得看上去就很复杂，我参考了忘记哪个作者的了，修改了一下，加了注释，简洁了很多 代码 class FocalLoss(nn.Module): def __init__(self, class_num=2, alpha=None, gamma=2): super(FocalLoss, self).__init__() i
在目标检测被“遗忘”领域进行探索后，百度开源最新力作UMOP：即插即用、无痛涨点
极市平台的技术博客
11-23 531
​作者丨happy 编辑丨极市平台 本文原创首发于极市平台公众号，转载请获得授权并标明出处。 文章链接：https://arxiv.org/pdf/2109.07217.pdf 代码链接：https://github.com/zimoqingfeng/UMOP 本文是百度的研究员在目标检测领域的最新力作，对一个被“遗忘”的地带(金字塔层级目标分布不平衡)进行了探索。首先，作者基于FPN架构对不同检测器的不同层级目标分布进行了分析并得出：不同层级目标分布确实存在Level Imbalance问题；基于所发现
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection
weixin_43933323的博客
07-12 956
简要介绍 此论文解决的问题： 1.采用多级特征集成从而忽略不同特征的差距的问题。 2.随着高级特征在卷积网络的传递导致逐渐稀释的问题 提出的方法 采用了四个模块 Feature Interweaved Aggregation (FIA) modules，有效地集成低级外观特征，高级语义特征和全局上下文特征。并以有监督方式生成显著图。 Head Attention (HA) module，利用空间和通道主义来减少信息冗余并增强顶层特征 Self Refinement (SR) module，进一步细化和增强顶层
Training Region-based Object Detectors with Online Hard Example Mining 论文笔记
weixin_40253737的博客
08-03 193
background 任务：在目标检测领域提出新的训练方式，提高准确率关键词：Hard Example Mining​ Introduction 之前的目标检测模型很少从训练方式上做出更改，但是实际上，传统的训练方式是十分低效的，目前实验发现，hard example更利于模型的训练，所以，作者的主要想法是训练过程中，更加注重对hard example的选取，然后用选取的hard example对模型进行训练，提升性能。​ 传统的训练方式需要平衡前景和背景的比例，需要许多超参数，但是作者的训练方式去除了.
DETR与Deformable DETR小结
热门推荐
Q1u1NG的博客
10-20 1万+
DETR与deformable DETR小结DETRDeformable DETR DETR 论文地址https://arxiv.org/abs/2005.12872 论文解读 DETR将检测视为集合预测问题，简化了目标检测的整体流程。它没有现在主流的目标检测器中的anchor、label assign、nms等操作，做到了真正的end-to-end。它主要采用了Transformer的编解码结构，它在序列预测任务上大获成功。Transformer中的自注意力机制显示地界定了序列中元素间的相互作用，因此可以
EfficientDet详解
Q1u1NG的博客
05-24 1万+
EfficientDet EfficientDet是google在2019年11月发表的一个目标检测算法系列，分别包含了从D0~D7总共八个算法，对于不同的设备限制，能给到SOTA的结果，在广泛的资源约束下始终比现有技术获得更好的效率。特别是在单模型和单尺度的情况下，EfficientDet-D7在COCO测试设备上达到了最先进的52.2AP，具有52M参数和325B FLOPs，相比与之前的算法，参数量缩小了4到9倍，FLOPs缩小了13到42倍。 首先，google提出了一种加权双向特征金字塔网络（Bi
EfficientNet详解
Q1u1NG的博客
05-24 9948
EfficientNetsEfficientNetsNAS（neural architecture search）Single ScalingCompound Scaling EfficientNets EfficientNets是google在2019年5月发表的一个网络系列，使用神经架构搜索设计了一个baseline网络，并且将模型放大获得一系列模型。它的精度和效率比之前所有的卷积网络都好。尤其是EfficientNet-B7在ImageNet上获得了最先进的 84.4%的top-1精度 和 97.1%
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