重磅！图森王乃岩团队最新工作—TridentNet：处理目标检测中尺度变化新思路

最新推荐文章于 2023-07-20 17:18:35 发布
最新推荐文章于 2023-07-20 17:18:35 发布
阅读量6.7k 收藏 13
点赞数 1
文章标签： TridentNet 目标检测尺度变换
在公众号【计算机视觉联盟】后台回复【9076】获取独家200页AI笔记！
本文链接：https://blog.csdn.net/Sophia_11/article/details/86267371
版权

欢迎关注微信公众号【计算机视觉联盟】 获取更多前沿AI、CV资讯

640?wx_fmt=png

联盟很荣幸获得图森首席科学家王乃岩博士的授权发布图森最新成果！

----------------------------------------

为大家介绍一篇图森的工作(Scale-Aware Trident Networks for Object Detection)，这篇文章主要要解决的问题便是目标检测中最为棘手的scale variation问题。

在正式介绍我们的方法之前，我先简单回顾一下现有的两大类方法。

第一大类，也是从非Deep时代，乃至CV初期就被就被广泛使用的方法叫做image pyramid。在image pyramid中，我们直接对图像进行不同尺度的缩放，然后将这些图像直接输入到detector中去进行检测。虽然这样的方法十分简单，但其效果仍然是最佳，也后续启发了SNIP这一系列的工作。单论性能而言，multi-scale training/testing仍然是一个不可缺少的组件。然而其缺点也是很明显的，测试时间大幅度提高，对于实际使用并不友好。 

们使用了非常简单干净办法在标准的COCO benchmark上，使用ResNet101单模型可以得到MAP 48.4的

最低0.47元/天 解锁文章
SophiaCV
关注
专栏目录
北航&图森最新开源！Topo2D：利用2D车道线先验增强3D车道线检测和拓扑推理
计算机视觉工坊
06-17 82
在自动驾驶场景中，3D车道检测和拓扑推理是至关重要的任务，不仅需要检测车道线上的准确3D坐标，还需要推理车道与交通元素之间的关系。目前的基于视觉的方法，无论是否明确构建BEV特征，都在3D空间中建立车道锚点/查询，而忽略了2D车道先验。在本研究中，我们提出了Topo2D，一个基于Transformer的新颖框架，利用2D车道实例来初始化3D查询和3D位置嵌入。此外，我们明确地将2D车道特征融入车道中心线之间以及车道中心线与交通元素之间的拓扑关系识别中。
目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶车辆三维目标检测方法研究与应用（中）
最新发布
qq_36130719的博客
05-04 349
问题，但鸟瞰图往往是非常稀疏的，这使得直接应用卷积神经网络不切实际和低效的。随着GPU和芯片制造的飞速发展，以及深度学习算法的出现，基 于图像的算法能够获得用于确定目标和理解的高层次语义信息。但是在深度学习中需要更为复杂的数据形式。激光雷达是激光在光波频率范围内利用光波频段电磁波对目标进行探测和测距的仪器，然后将其接收到的信号与发射信号进行比对，获取目标位置（距离、方位和高度）、时，还需要依据高精度地图和GPS惯性导航设备进行定位和校准车身姿态，是环境感知系统中重要的一环，为下一步路径规划和决策做基础。
【论文笔记】：Scale-Aware Trident Networks for Object Detection（TridentNet）
Activewaste
07-16 842
&Title: Scale-Aware Trident Networks for Object Detection &Summary 检测任务中存在目标尺寸多样化的问题，为了解决这一问题，作者采用的做法如下： 为了使模型对不同尺寸目标的“表达能力”近似，作者借鉴了SNIP的特征提取网络，采用了“scale-aware”的并行结构； 为了加快模型的推理速度，作者采用了dilated...
TridentNet：处理目标检测中尺度变化新思路
calvinpaean的博客
10-25 644
这篇文章主要解决的问题是目标检测中最为棘手的 scale variation 问题。作者使用了非常简单而干净的办法在标准的COCO benchmark上，使用 ResNet 101单模型可以得到48.4的结果，远远超越了目前公开的单模型的最优结果。 首先简单回顾一下现有的两大类方法。第一大类，也是从非deep 时代，乃至CV初期就被广泛使用的方法叫做图像金字塔。在图像金字塔中，我们直接对图像进行不...
ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路
qq_41552455的博客
08-10 1109
本文转自公众号：我爱计算机视觉 原文地址：https://arxiv.org/abs/1808.01244 github地址：https://github.com/umich-vl/CornerNet 性能超过所有one-stage类型目标检测算法，训练和测试代码均已开源。 本文来自ECCV2018 Oral论文《CornerNet: Detecting Objects as Paired...
笔记：Scale-Aware Trident Networks for Object Detection
博主回家睡觉了。。。
05-17 397
尺度感知的三叉目标检测网络 摘要 首先进行感受野对物体检测中尺度变化的影响的探索实验。由探索试验提出Trident Net，构造了一个并行的多分支体系结构，其中每个分支共享参数，具有不同的接受域。采用尺度感知训练方式，在适当尺度的位置上采样对象进行训练，对每个分支进行专门化。带有ResNet-101主干网的TridentNet实现了48.4map。 一.介绍 目标：通过为所有尺度创建具有统一表示能力的特征，从而使得对于不同尺度的物体具有不同的接受场。 本文提出一种新的网络结构，如下图所示c，创建多
MATLAB算法实战应用案例精讲-【图像处理】小目标检测（补充篇）(附python代码实现)
qq_36130719的博客
01-16 2757
随着深度学习的发展，基于深度学习的目标检测技术取得了巨大的进展，但小目标由于像素少，难以提取有效信息，造成小目标的检测面临着巨大的困难和挑战. 为了提高小目标的检测性能，研究人员从网络结构、训练策略、数据处理等方面展开了大量的研究，并取得了一定的进展. 然而，与大、中目标检测相比，目前小目标的检测性能依然存在着较大的差距.目标尺度是影响目标检测性能的重要因素之一. 目前，无论在公开数据集还是现实世界采集的图像中，小目标的检测精度远远低于大目标和中等尺度目标，并经常出现漏检和误检. 但小目标检测在许多实际场景
目标检测中的性能提升方法综述
qq_36523203的博客
10-08 3466
文章目录一，多尺度检测什么是多尺度检测？降低下采样率与空洞卷积多尺度训练优化Anchor尺寸训练深层与浅层特征融合SNIP，尺度归一化TridentNet,三叉戟网络总结二，目标检测中的样本不均衡问题什么是目标检测样本不均衡问题1，OHEM,在线难例挖掘2，S-OHEM，基于LOSS分布采样的在线困难样本挖掘3，Focal Loss 专注困难样本4，GHM，损失函数梯度均衡化机制总结目标检测优化使用的Trick 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
TridentNet
02-19
本文致力于在深度学习目标检测问题中，提高对小目标的检测率
Trident : Scale-Aware Trident Networks for Object Detection
qq_32425195的博客
02-15 1303
Abstract 我们构造了一个并行的多分支结构，各个分支间共享参数，但是感受野不同。指定每个分支只采样对应的感受野进行训练。 1. Introduction 尺度问题的集中解决办法： 我们的方法： 通过空洞卷积，不同barnch共享相同的网络结构和网络参数，但每个分支有不同的感受野。为了避免极端大小的图片送入分类回归器，我们从感受野角度，让每个分支检测某一范围的尺度的目标。 我...
Scale-Aware Trident Networks for Object detection
liguandong
03-16 1777
Scale-Aware Trident Networks for Object detection 传统： image pyramid(直接对图像进行不同尺度的缩放，然后将这些图像直接输入到detector中进行检测，multi-scale training/testing 仍然是一个不可缺少的组件) DL： feature pyramid(FPN,top-down 分支补充底层的语义信息不足...
Scale-Aware Trident Networks for Object Detection
weixin_45814898的博客
05-09 590
1.背景 尺度问题一直是目标检测领域比较核心的待解决的问题。目前，对于这个问题还没有比较彻底的解决思路，有两种比较好的方法来处理这一问题： 图像金字塔，即网络输入图像的多尺度，比如常见的multi-scale test的trick，这种方法需要耗费很大的计算量。 特征金字塔，即融合不同深度的feature map来获得多尺度特征，比如FPN，这种方法速度更快，但是性能不好，按照论文的说法，是因为它牺牲了不同尺度的特征一致性(即不同scale的feature经过不同深度不同参数的变换，反应出来的特征会更全面和
多尺度目标检测--Scale-Aware Trident Networks for Object Detection
AI小作坊 的博客
06-21 769
Scale-Aware Trident Networks for Object Detection https://github.com/TuSimple/simpledet/tree/master/models/tridentnet 本文将 Dilated convolution 用于多尺度目标检测，Dilated convolution 最先用于语义分割。 多尺度目标检测的几个常见策略 fe...
论文阅读：Scale-Aware Trident Networks for Object Detection
j879159541的博客
01-13 401
文章目录1、论文总述2、与image pyramid、FPN相比3、Investigation of Receptive Field4、trident blocks加在哪里5、weight sharing的优势6、Scale-aware Training Scheme7、Fast Inference Approximation8、Ablation Studies9、 Comparison with State-of-the-Arts参考文献 1、论文总述 本文的动机主要是想改善目标检测中多尺度的问题（小目标
【目标检测】Scale-Aware Trident Networks for Object Detection 阅读笔记
ycc2011的专栏
02-17 4483
Scale-Aware Trident Networks for Object Detection 1.Introduce 该文章通过提出TridentNet，来生成具有统一表征能力的特定尺度特征图，以此解决目标检测中尺度多变问题。其中，作者建立了一个并行多分支结构，它们共享参数，但感受野不同。作者采用Resnet-101作为骨架网络。 2.Relate work 其中目前目标检测的四...
论文阅读 Scale-Aware Trident Networks for Object Detection
weixin_45935290的博客
07-20 352
Scale variation是目标检测中的一个关键挑战。在这项工作中，我们首先进行了一项controlled实验，以研究感受野在目标检测的 scale variation中的影响。基于探索实验的结果，我们提出了一种新颖的三叉网络（TridentNet），旨在生成具有uniform representational能力的scale-specif的特征图。我们构建了一个并行的多分支架构，每个分支共享相同的 transformation parameters，但具有不同的感受野。
【文献阅读10】Scale-Aware Trident Networks for Object Detection-用于目标检测的尺度感知三叉戟网络
我是大阿周的学习博客
12-29 1461
【文献阅读】用于目标检测的尺度感知三叉戟网络-Scale-Aware Trident Networks for Object DetectionAbstractIntroduction 本博客仅作阅读学习记录，不作他用。 文章名称：Scale-Aware Trident Networks for Object Detection 文章地址：https://arxiv.org/abs/1901.01892v2 代码地址： https://git.io/fj5vR 文章作者：Yanghao Li、Y unt
评论 1
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