HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

最新推荐文章于 2023-01-11 16:23:31 发布
最新推荐文章于 2023-01-11 16:23:31 发布
阅读量3.7k 收藏 2
点赞数 1
分类专栏： 目标检测 深度学习
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/cv_family_z/article/details/51135025
版权

提出了一种Proposal提取和目标检测一体的网络，Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙，在小目标及大IOU阈值情况下的检测率低。论文提出了HyperNet，综合低层，中间层和高层特征获得了较高的recall率。

HyperNet的示意图如下所示:
这里写图片描述

HyperNet网络结构
先将全图送入卷积层生成激活图，累积多层特征图压缩至归一化空间，即Hyper特征，之后proposal生成网络输出100个左右的proposal，最后使用检测模型分类及调整proposal。网络结构如下图所示：
这里写图片描述

生成Hyper特征
使用卷积层计算整张输入图的特征图，为了在同一分辨率下组合多层特征图，作者对不同层使用了不一样的采样策略，在低层使用最大池化下采样，高层特征使用反卷积操作进行上采样。之后对所有的采样结果进行卷积操作，使用局部响应归一化对特征图进行归一化，Hyper特征的几个优势：多层抽象，分辨率适于检测，计算效率高。

生成proposal
设计了一个轻量型的卷积网用于生成proposal，这个卷积网包括一个ROI池化层，一个卷积层和一个全连接层，输出层有两个子层，计算存在物体的可信度和bbox的回归。

目标检测
检测的标准框架FC-Dropout-FC-Dropout，在FC层之前，增加一个卷积层，检测网络输出也有两个子层。

网络训练
训练的算法如下：
这里写图片描述

与现有方法的对比：
这里写图片描述

cv_family_z
关注
专栏目录
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8353
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
[论文阅读]HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
沅晨的小屋
05-11 1万+
本文是今年cvpr的一篇spotlight，也应该是目前为止faster rcnn所有变种中最好的一个。文章传送门：点击打开链接 和之前的RCNN以及之后的一些变种一样，本文也是region-based object detection framework。相比与faster rcnn，hypernet更擅长处理小物体，并且产生更高质量的proposal。
论文笔记 | HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
bea_tree的博客
07-04 5119
作者 Tao Kong Anbang Yao Yurong Chen Fuchun Sun 摘要 本文提出了一种HyperNet，同时用于处理region proposal和object detection。Hyper特征是将各层featuremaps的特征聚集然后统一到一个空间。在cpu上处理速度是5fps。 1 Introduction 首先说了Rcnn 到Faster
HyperNet:Towards Accurate Region Proposal Generation and Joint Object Detection
practical_sharp的博客
03-07 514
HyperNet 论文地址：https://arxiv.org/pdf/1604.00600.pdf 录用：CVPR 2016 摘要 到目前为止，RCNN，Fast RCNN以及Faster RCNN系列的算法出炉，使得目标检测的精度和召回率不断提升。然而小尺寸目标检测和精确定位的问题仍然没有很好的得到解决，主要原因是由于特征映射的粗糙。 本文中，作者提出一个HyperNet，以联合处理区域提案的生成和目标检测。HyperNet的核心是主要基于一个精心设计的Hyper Feature，它首先聚合层次特征映射
多尺度R-CNN论文笔记(3): HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
Solomon1558的专栏
05-31 2244
前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。     R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展，细分为概述性文章和论文阅读笔记。 转载请注明文章出处:   论文HyperNet: Towards Accurate R
Faster R-CNN改进篇（一）： ION ● HyperNet ● MS CNN
跟随技术的脚步-linolzhang的专栏
07-02 1万+
一. 源起于Faster       深度学习于目标检测的里程碑成果，来自于这篇论文：       Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Syst
【论文阅读】【综述】3D Object Detection 3D目标检测综述
热门推荐
麒麒哈尔的博客
06-04 3万+
aaa3D Detection新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 3D Detection 你好！...
论文笔记 HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
xiaoxiang_AQ 的博客
09-21 5124
提出的HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hyper特征同时具有足够深和很好的语义信息，在PASCAL VOC 2007和2012上可以通过每张图产生仅仅100个proposal，而达到很好的精度和效果，同时可以达到实时，GPU下 5 fps的速度。Hyper方法主要的贡献有： （1）在仅仅 50 proposal情况下，可达
HyperNet论文笔记
weixin_34292402的博客
04-11 358
1.之前框架的问题 目前的候选框提取方法通常需要提取几千个候选框，影响检测效率。RPN只提取了几百张，但是对于小物体的检测和定位仍存在问题。 2.解决问题的要点 深层次的卷积层：high recall, but poor localization低层次的卷积层：better localization, but reduced recall...
HyperNet:适用于ResNet的HyperNetworks的PyTorch实施（Ha等人，ICLR 2017）
03-19
超网络 适用于ResNet的PyTorch实施（Ha等人，ICLR 2017）。该代码主要用于CIFAR-10和CIFAR-100，但是将其用于任何其他数据集都非常容易。将其用于不同深度的ResNet架构也非常容易。 我们使用pytorch闪电来控制整个管道。 怎么跑 python train.py --dataset {cifar10/cifar100} --gpus $num_gpu -j $num_workers --distributed_backend ddp 已过期。此回购协议已将HyperNet修改为逐层实施，使用起来更加方便。需要注意的是，我们发现尽管作者设置了in_size和out_size 。实际上，您应该将in_size和out_size设置为16，否则将失败。
Hypernet
有关我的科研的足迹、算法竞赛的日子、生活记录。
01-11 230
Hypernet起源于2017年 iclr的一篇文章 hypernetworks。
HyperNet
dekiang
10-21 304
目录1. Motivation2. HyperNet2.1 流程图2.2 网络结构2.3 Hyper Feature extraction 论文：HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection 来源：CVPR 2016 1. Motivation Faster R-CNN的RPN对所设置的anchors（~2400个）进行二分类和粗回顾，消除了大量的背景类，但仍然给出了很多粗糙的候选区域，
解读：Joint 3D Proposal Generation and Object Detection from View Aggregation
weixin_42608406的博客
10-12 1311
文章目录摘要面临的问题本文主要贡献网络结构 摘要 摘要提出了一种用于自主驾驶场景的视图对象检测网络AVOD。该神经网络结构利用激光雷达点云和RGB图像生成两个子网络共享的特征：区域建议网络（RPN）和二级检测器网络。该算法利用一种新的结构，能够对高分辨率特征映射进行多模态特征融合，为道路场景中的多个对象类生成可靠的三维目标方案。利用这些建议，第二阶段检测网络执行精确的三维边界盒回归和分类，以预测三维空间中对象的范围、方向和分类。 面临的问题 近年来，深度神经网络在二维目标检测任务上取得的显著进展并没有很好
[论文笔记] Joint 3D Proposal Generation and Object Detection from View Aggregation
carissaying的博客
08-28 724
AVOD激光雷达目标检测方法，本人整理的非常详细了，详见下面链接： https://www.zybuluo.com/snowying/note/1265054
【双语论文】Joint 3D Proposal Generation and Object Detection from View Aggregation
hello AI
01-17 3571
Joint 3D Proposal Generation and Object Detection from View Aggregation 利用视角聚合进行联合3D候选区域生成和目标检测 Abstract We present AVOD, an Aggregate View Object Detection network for autonomous driving scenarios. T...
（动工中）论文梳理 —— Joint 3D Proposal Generation and Object Detection from View Aggregation
LinesYao
08-05 3930
论文地址 官方源码 0.摘要 该论文主要是提出AVOD(Aggregate View Object Detection)网络，多视角聚合数据实现无人驾驶场景下3D物体实时检测的网络。avod网络以由雷达点云数据生成的BEV map和RGB图像作为输入，经过子网络region proposal network(RPN)产生non-oriented region proposals，将这些pro...
Joint 3D Proposal Generation and Object Detection from View Aggregation论文笔记
Rolandxxx的博客
03-07 1472
Joint 3D Proposal Generation and Object Detection from View Aggregation IROS 2018 单位：University of Waterloo 1.摘要+intro 因为与2D目标检测器类似，大多数最先进的3D目标检测模型都依赖于3D区域的region proposals生成步骤来缩减3D搜索空间。使用地区性建议允许在稍后的检测阶段通过更复杂且计算成本更高的处理来生成高质量的检测。但是困难就是将这些RPN扩展到3D并不是一件轻而易举的任
faster r-cnn: towards real-time object detection with region proposal networks
最新发布
06-28
### 回答1： Faster R-CNN是一种基于区域建议网络（Region Proposal Networks，RPN）的物体检测算法，旨在实现实时物体检测。它通过预测每个区域是否含有物体来生成候选框，并使用卷积神经网络（CNN）来确定候选框中的物体类别。Faster R-CNN在提高检测精度的同时，也显著提高了检测速度。 ### 回答2： 在计算机视觉领域中，目标检测一直是热门研究的方向之一。近年来，基于深度学习的目标检测方法已经取得了显著的进展，并且在许多实际应用中得到了广泛的应用。其中，Faster R-CNN 是一种基于区域建议网络（Region Proposal Networks，RPN）的目标检测方法，在检测准确率和速度之间取得了很好的平衡，能够实现实时目标检测。 Faster R-CNN 的基本框架由两个模块组成：区域建议网络（RPN）和检测模块。RPN 主要负责生成候选目标框，而检测模块则利用这些候选框完成目标检测任务。具体来说，RPN 首先在原始图像上以多个尺度的滑动窗口为基础，使用卷积网络获取特征图。然后，在特征图上应用一个小型网络来预测每个位置是否存在目标，以及每个位置的目标边界框的坐标偏移量。最终，RPN 根据预测得分和位置偏移量来选择一部分具有潜在对象的区域，然后将这些区域作为候选框送入检测模块。 检测模块的主要任务是使用候选框来检测图像中的目标类别和位置。具体来说，该模块首先通过将每个候选框映射回原始图像并使用 RoI Pooling 算法来获取固定大小的特征向量。然后，使用全连接神经网络对这些特征向量进行分类和回归，以获得每个框的目标类别和精确位置。 相比于传统的目标检测方法，Faster R-CNN 具有以下优点：首先，通过使用 RPN 可以自动生成候选框，避免了手动设计和选择的过程；其次，通过共享卷积网络可以大大减少计算量，提高效率；最后，Faster R-CNN 在准确率和速度之间取得了很好的平衡，可以实现实时目标检测。 总之，Faster R-CNN 是一种高效、准确的目标检测方法，是深度学习在计算机视觉领域中的重要应用之一。在未来，随着计算机视觉技术的进一步发展，Faster R-CNN 这类基于深度学习的目标检测方法将会得到更广泛的应用。 ### 回答3： Faster R-CNN是一种结合了深度学习和传统目标检测算法的新型目标检测方法，旨在提高目标检测速度和准确率。Faster R-CNN采用了Region Proposal Network（RPN）来生成候选区域，并通过R-CNN网络对候选区域进行分类和定位。 RPN是一种全卷积神经网络，用于在图像中生成潜在的候选区域。RPN通常在卷积特征图上滑动，对每个位置预测k个候选区域和其对应的置信度得分。这样，对于输入图像，在不同大小和宽高比的Anchor上预测候选框，可以在计算上更有效率。 R-CNN网络利用卷积特征图作为输入，对RPN生成的候选区域进行分类和精确定位。与以前的目标检测方法相比，Faster R-CNN使用了共享卷积特征，使得整个检测网络可以端到端地进行训练和优化，缩短了训练时间，同时也更便于理解和改进。 Faster R-CNN不仅具有较高的准确性，还具有较快的检测速度。在各种基准测试中，Faster R-CNN与其他目标检测算法相比，都取得了优异的性能表现。总之，Faster R-CNN将目标检测引入了一个新的阶段，为实时目标检测提供了一个良好的基础。
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