An End-to-End Architecture for Class-Incremental Object Detection With Knowledge Distillation详解

最新推荐文章于 2024-09-24 15:59:07 发布
最新推荐文章于 2024-09-24 15:59:07 发布
阅读量924 收藏 1
点赞数 1
文章标签： 增量学习 目标检测
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/gbyy42299/article/details/103517502
版权
背景

最近在做目标检测增量学习相关的东西，所以看了这个CIOD的论文记录在这里，这里面有一些基础内容可以看我之前的两篇文章：
https://blog.csdn.net/gbyy42299/article/details/83718533
https://blog.csdn.net/gbyy42299/article/details/83616918

伪代码

在这里插入图片描述

gbyy42299
关注
[2022AAAI]Knowledge Distillation for Object Detection via Rank Mimicking and ... 论文笔记
weixin_45750753的博客
03-12 5320
目录摘要MethodRank mimickingPrediction-guided Feature Imitation总损失实验总结 论文全名有点长，题目放不下了： Knowledge Distillation for Object Detection via Rank Mimicking and Prediction-guided Feature Imitation 已经被AAAI2022接收。 摘要 出发点：student性能差的两个原因： 1.候选框排序差别很大，如下图所示。对于简单的目标(图1a)，
端到端架构设计（End-to-End Architecture Design）
summer_fish的专栏
03-02 716
端到端架构设计通常需要考虑多个技术栈和平台，如云计算、大数据、人工智能等，以确保系统的可扩展性、稳定性和灵活性。端到端架构设计是一个复杂而重要的过程，需要综合考虑业务需求、技术要求、平台选择等多个方面，以确保系统的成功实现和长期稳定运行。数据存储：选择合适的数据存储方案，如关系型数据库、NoSQL数据库、分布式文件系统等，以确保数据的高效访问和管理。数据源：了解数据的来源，包括数据的格式、结构、质量等，并确定如何获取和集成这些数据。需求分析：了解业务需求和数据需求，明确系统的目标和功能。
DERT目标检测—End-to-End Object Detection with Transformers
最新发布
xiaoxu的博客
09-24 1383
将目标检测任务直接看成是集合预测的问题。提出了一个全局的二分图匹配的损失函数：a set-based global loss that forces unique predictions via bipartite matching结合了Transformer结构，在解码器的部分进行并行的出框。在引言的部分论文中简单概括了之前的目标检测所用到的一些方法。双阶段目标检测的算法: FasterRcnn单阶段目标检测的算法：Yolo基于中心点进行生成的算法：CenterNet。
论文精读:detr:End-to-End Object Detection with Transformers
qq_52053775的博客
08-11 1219
我们的方法简化了检测管道，有效地消除了许多手工设计的组件的需要，如非最大抑制程序或锚定生成，显式地编码了我们对任务的先验知识。新框架的主要成分，称为DEtection TRansformer或DETR，是一个基于集合的全局损失，通过二部匹配迫使独特的预测，以及transformer encoder-decoder架构。给定一组固定的小型学习对象查询，DETR对对象和全局图像上下文之间的关系进行推理，以直接并行输出最终的预测集。与许多其他现代探测器不同，这个新模型在概念上很简单，不需要专门的库。...
Learning Efficient Object Detection Models with Knowledge Distillation论文精读
sinat_22078359的博客
06-15 1132
论文：http://papers.nips.cc/paper/6676-learning-efficient-object-detection-models-with-knowledge-distillation.pdf github： 本周阅读了Learning Efficient Object Detection Models with Knowledge Distillation论文，方便日后查阅。 目录 主要工作 3方法 3.1 总体结构 3.2 带有不平衡类别的分类的知识蒸馏...
读书笔记-增量学习-EEIL_End-to-End Incremental Learning
谷粤狐的博客
10-13 1892
一篇2018年的论文：End-to-End Incremental Learning。为了使模型实现增量学习，把新、旧数据一起重新训练会导致时间、存储成本等一系列问题。作者提出的方法仅使用新数据与部分代表性的旧数据。基于Distillation知识蒸馏从旧数据中提取代表性样本、Cross entropy交叉熵学习新数据。题目的End-to-End指的是能同时训练更新Classification分类器和代表性样本。 作者认为，一个拥有增量学习能力的深度神经网络模型应该拥有以下特征： Ability t
Few-Shot Class-Incremental Learning via Relation Knowledge Distillation 閱讀筆記
lcchu的博客
12-13 810
小樣本增量學習 利用圖的概念去設計蒸餾知識方法 相較以往的點對點比較，考量點的關聯性(角度)擁有更好的彈性
class-incremental-learning:AANets（CVPR 2021）的PyTorch实施和助记符培训（CVPR 2020）
04-29
title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20
End-to-End Object Detection with Fully Convolutional Network论文翻译
Q1u1NG的博客
12-08 1965
End-to-End Object Detection with Fully Convolutional Network论文翻译摘要1.介绍2.相关工作2.1 全卷积目标检测器2.2 端到端的目标检测3.方法3.1 标签分配的分析3.1.1 One-to-many标签分配3.1.2 手工设计的One-to-one标签分配3.2 我们的方法3.2.1 Prediction-aware One-to-one标签分配3.2.2 3D Max Filtering3.2.3 辅助损失4. 实验4.1 实现细节4.2
An improved topic detection method for Chinese microblog based on incremental clustering
02-09
根据给定的文件信息，我们可以从标题、描述以及部分内容中提炼出以下知识点： 1. 中文微博主题检测模型：该文件介绍了一种基于层次聚类的中文微博主题检测模型。微博作为社交媒体的一种形式，在信息共享、事件更新...
DETR- End-to-End Object Detection with Transformers 论文解析Yannic Kilcher版本
06-14
DETR- End-to-End Object Detection with Transformers (Paper Explained)，来自需要你懂得的网站视频，生肉版本。
Knowledge distillation for object detection based on Inconsistency-based Feature Imitation and Globa
weixin_43238909的博客
03-31 566
知识蒸馏在目标检测方面只取得了微不足道的进步。本文提出了一种基于不一致特征模仿（IBFI）和全局关系模仿（GRI)的目标检测知识蒸馏方法。IBFI计算分类头和回归头的差值，以平衡检测器的分类和定位能力。GRI使学生能够模仿老师的关系信息。到目前为止，KD在图像分类方面已经取得了很大的成功，但由于它涉及到分类和定位任务，所以不能直接迁移到目标检测中。目前，用于目标检测的最广泛的蒸馏方法是特征模仿，将教师的特征传递给学生。不幸的是，这些特征充斥着冗余，其中一些可能不利于检测。
End-to-End Object Detection with Fully Convolution Network
m0_63520910的博客
04-26 622
会议：CVPR 2021 论文：https://arxiv.org/pdf/2012.03544.pdf 代码：GitHub - Megvii-BaseDetection/DeFCN: End-to-End Object Detection with Fully Convolutional Network 干什么 怎么干 结论 创新点
【论文翻译】Class-Incremental Few-Shot Object Detection
小张好难瘦的博客
11-18 947
Class-Incremental Few-Shot Object Detection 论文地址：https://arxiv.org/pdf/2105.07637.pdf 摘要 Conventional detection networks usually need abundant labeled training samples, while humans can learn new concepts incrementally with just a few examples. This pap
介绍深度学习中End-To-End结构的概念
恰一碗白米饭
10-27 1018
简要介绍深度学习中端到端结构的概念
【WACV 2021】零样本目标检测知识蒸馏：Data-free Knowledge Distillation for Object Detection
梁瑛平的博客
08-04 998
【WACV 2021】零样本目标检测知识蒸馏：Data-free Knowledge Distillation for Object Detection论文地址：主要问题：主要思路：具体实现：数据生成：边框采样： 论文地址： https://openaccess.thecvf.com/content/WACV2021/papers/Chawla_Data-Free_Knowledge_Distillation_for_Object_Detection_WACV_2021_paper.pdf 主要问题： 主要
Static-Dynamic Co-teaching for Class-Incremental 3D Object Detection SDCoT论文理解笔记
Lcx559的博客
11-20 439
3D目标检测在类增时，在不访问就数据的情况下往往会产生灾难性遗忘，提出一个动静态教学的方案，通过静态教师模型为旧类提供伪标签的方式以及通过提取具有蒸馏损失的先前知识来正则化当前模型来减轻遗忘，动态教师模型对新的知识进行学习。
Dual Relation Knowledge Distillation for Object Detection用于目标检测的双关系知识蒸馏
weixin_43238909的博客
04-01 1502
有两个关键点导致检测任务的蒸馏性能不佳。一是前景和背景特征严重不平衡，二是小对象缺乏足够的特征表示。为了解决上述问题，我们提出了一种新的知识蒸馏方法——双关系知识蒸馏（DRKD），包括逐像素关系蒸馏和逐实例关系蒸馏。逐像素关系蒸馏将像素特征嵌入图空间中，并利用图卷积捕获全局像素关系。通过提取全局像素关系，学生检测器可以了解前景和背景特征之间的关系，避免了由于特征不平衡问题而直接提取特征的困难。此外，我们发现实例关系为小对象的独立特征之外补充了有价值的知识。
使用incremental-filter-branch脚本高效管理Git仓库历史
资源摘要信息:"incremental-filter-branch是一个通过增量方式执行git filter-branch命令的脚本。git是一个强大的版本控制工具，它能够记录和管理代码的变更历史。filter-branch是git的一个功能，它可以根据设定的...
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