深度学习系列之Gaussian_YOLOv3 个人总结

最新推荐文章于 2024-05-26 17:00:37 发布
最新推荐文章于 2024-05-26 17:00:37 发布
阅读量4.4k 收藏 17
点赞数 2
分类专栏： 目标检测/目标识别 文章标签： gaussian yolov3
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/happyday_d/article/details/103033400
版权

深度学习系列之Gaussian_YOLOv3 个人总结

https://github.com/jwchoi384/Gaussian_YOLOv3

​ ICCV 2019会议上 Jiwoong Choi等人在YOLOV3的基础上进行修改得到了Gaussian YOLOv3网络结构，该网络结构的mAP比YOLOv3(512x512)高3个点。

创新点

​ 作者认为在常规的Single Stage目标检测网络中，分数和边框都是单独回归的，而边框回归的不确定性是没有判断的，因此引入了对边框的不确定分数，最后在yolov3的分数基础上乘以（1-不确定性分数），得到总分。采用了高斯模型来回规边框。

方法

利用高斯模型：
p ( y ∣ x ) = N ( y ; μ ( x ) , Σ ( x ) ) p(y | x)=N(y ; \mu(x), \Sigma(x)) p(y∣x)=N(y;μ(x),Σ(x))
网络模型结构为：

在这里插入图片描述

使用3个尺度的Feature map用于目标检测输出，如下图

在这里插入图片描述

​ 如上图，在每个detection前，尺度都不同(16x16,32x32,64x64)。这里用到了上采样。(可以提供更多的语义信息和细粒度特征)。

​ 在Gaussian YOLOv3中，我们的anchor是9个，是由K均值产生的，每个尺度分配3个anchor。其中每个尺度下每个位置预测3个bbox(8个位置输出+1个objectness+C个类别的分数)。所以每个位置输出**(1+8+C)*3**个值，这也就是训练时.cfg里的filter的数量。默认anchor是利用k-means聚类得到，可参考【Yolov2、Yolov3、Gaussian_Yolov3使用K-means聚类计算anchor boxes方法】

YOLOv3中.cfg中 filter输出为：3x（1+4+C），C表示类别数

边框输出部分变为：

在这里插入图片描述
​ 其中u()为边框的坐标，∑为各坐标的不确定性 。

YOLOv3的边框输出为：

在这里插入图片描述

实验结果

在这里插入图片描述

在这里插入图片描述

实验问题

  1. 利用作者提供的代码运行 python文件夹下的darknet.py，出现了
    “Segmentation fault”的问题，解决方法可参考Gaussian Yolov3 Segmentation fault问题
NH558J0
关注
  • 2
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Gaussian YOLOv3 An Accurate and Fast Object Detector Using Localization one-stage-yolo优化
lovep1的博客
02-24 367
paper：https://openaccess.thecvf.com/content_ICCV_2019/html/Choi_Gaussian_YOLOv3_An_Accurate_and_Fast_Object_Detector_Using_Localization_ICCV_2019_paper.html code：https://github.com/jwchoi384/Gaussian_YOLOv3
Gaussian_YOLOv3：Gaussian YOLOv3：使用定位不确定性进行自动驾驶的精确快速物体检测器（ICCV，2019）
02-04
高斯YOLOv3：使用定位不确定性进行自动驾驶的精确快速物体检测器 此存储库包含我们ICCV 2019 的代码 该算法是基于。 提供的示例权重文件（“ ”）不是本文中使用的权重文件，而是经过新训练的权重，用于发布代码验证。 因为此重量文件比本文中使用的重量更准确，所以我们在存储库中提供了此文件。 海报 引文 @InProceedings{Choi_2019_ICCV, author = {Choi, Jiwoong and Chun, Dayoung and Kim, Hyun and Lee, Hyuk-Jae}, title = {Gaussian YOLOv3: An Accurat
Yolov10：详解、部署、应用一站式齐全！
最新发布
gzq0723的博客
05-26 5482
。点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式标题：YOLOv10: Real-Time End-to-End Object Detection论文：https://arxiv.org/pdf/2405.14458源码：https://github.com/THU-MIG/yolov10计算机视觉研究院专栏Column of Com...
Gaussian YOLOv3
11-09 2749
原文链接 https://xugaoxiang.com/2019/11/08/Gaussian_Yolov3/ Gaussian-YOLOv3 Gaussian-YOLOv3是YOLOv3的改进版，它利用高斯分布的特性(也叫正态分布，详见参考资料)，改进YOLOv3，使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 关于YOLOv3的相关知识，可以参考我之前的两篇文章，Darknet基...
【目标检测】|Gaussian YOLOv3 An Accurate and Fast Object Detector Using Localization
qq_35608277的博客
06-14 247
ICCV2019虽然通过检测得到了目标的bbox坐标，但得到的这个bbox的不确定性是未知的(并不包含不确定性信息，并不清楚这个bbox是不是正确的)。因此，这些目标检测器并不能避免错误定位（FP）.预测bbox的不确定性，以及将不确定性与objectness score和class score结合起来以降低FP，是非常重要的。为了解决以上问题，本文基于YOLOv3提出了一种新的目标检测方法，通过对YOLOv3的bbox坐标进行建模以提升检测精度，该方法仅输出确定值作为高斯参数（均值和方差），并重新设计bb
gaussian
weixin_42454594的博客
03-20 320
https://blog.csdn.net/lj6052317/article/details/78772494 https://blog.csdn.net/paulfeng20171114/article/details/80276061 https://blog.csdn.net/paulfeng20171114/article/details/80276061 https://www.cnb...
Gaussian_yolov3_BDD.weights权重文件
11-28
基于高斯分布的改进版YOLOv3权重文件，基于BDD数据集训练而成。摘要必须大于50个字!我也是醉了！！！
Gaussian.rar_gaussian_matlab gaussian_matlab image_transform_tra
07-14
标题 "Gaussian.rar_gaussian_matlab gaussian_matlab image_transform_tra" 涉及的主要知识点是高斯变换在MATLAB环境中的应用，特别是针对图像处理。描述 "Gaussian transform for image" 明确了讨论的核心是图像的...
Gaussian YOLOv3.weights
04-29
官网谷歌云盘下载速度很慢，提供高斯Yolov3百度云盘链接，论文地址：https://arxiv.org/abs/1904.04620
Gaussian_propagation.rar_Gaussian_propagation_gaussian beam_三维高斯
07-15
模拟真空中Gauss光束的三维场分布，方便加深高斯光束性质的理解
Guassian YOLOv3 | ICCV2019，更快更强的YOLOv3
yuanCruise
10-27 5040
在目标检测的落地项目中，实时性和精确性的trade-off至关重要，而YOLOv3是目前为止在这方面做得最好的算法。本文通过高斯分布的特性，改进YOLOv3使得网络能够输出每个检测框的不确定性，从而提升了网络的精度。 1.YOLOv3简介 如下图a所示，为YOLOv3的网络架构。 YOLOv3使用了skip shotcut的操作方式网络过深而引起的梯度消散。 YOLOv3使用了up-sample操...
yolov3.weights
06-03
yolo_v3实现object detection的关键文件yolov3.weights
《Gaussian YOLOv3》论文笔记
m_buddy的博客
05-17 833
参考代码：Gaussian_YOLOv3 关键代码解释：Gaussian YOLOv3：一个更强的YOLOv3，现已开源！ 1. 概述 导读：这篇文章着力于解决自动驾驶检测任务最后结果中的假阳性检测结果问题，文章在YOLOv3网络的坐标回归上引入一组高斯参用于表示坐标的不确定性（目标置信度与分类置信度并不能很好表征检测框的置信度），并且根据这个需求重新设计网络损失函数，从而网络在假阳性检测结果上有所好转，即是这个重新设计的网络可以输出检测结果的定位不确定性，从而在检测的过程中使用这个属性就可以减少错误的检
Gaussian-YOLOv3, YOLOv3的改进版
11-09 231
Gaussian-YOLOv3Gaussian-YOLOv3是YOLOv3的改进版，它利用高斯分布的特性(也叫正态分布，详见参考资料)，改进YOLOv3，使得网络能够输出每个检测框的不确...
YOLOV3模型优化系列（一）Gaussian YOLOV3介绍
ltshan139的专栏
01-13 4334
前言 现在对目标检测网络算法模型YOLOV3优化的文章很多，有很多新的思想提出来了，比如focal loss，denseNet，anchors free以及注意力机制等。我个人比较偏好那些源代码开放，方法简单明了，可操作性强同时想法合理的papers。以这种标准来看，Gaussian-YOLOV3无疑算得上不错得优化算法模型，至少能很快看到结果。 简介 Gaussian YOLOV3算法模型...
高斯-yolov3
weixin_43489950的博客
02-27 993
在目标检测的落地项目中，实...
高斯yolo
weixin_42553970的博客
09-21 136
1、https://github.com/motokimura/PyTorch_Gaussian_YOLOv3 https://github.com/DeNA/PyTorch_YOLOv3 对比两个代码 2、看博客：https://www.jianshu.com/p/3c51637f5edd https://blog.csdn.net/avideointerfaces/article/details/103950458?utm_medium=distribute.pc_relevant.none-t
高斯YOLOv3定位不确定性进行自动驾驶的精确快速物体检测器
图像算法Imalg的博客
10-28 1980
预测特征图的属性 RGB3通道图像被输入到yolov3网络。 检测结果在三个不同的尺度下输出，包括目标的坐标位置、目标是正样本还是负样本、目标属于某一类置信度。 对于每个比例尺分支，在每个网格单元中预测三个结果（每个比例尺三个锚）。 结合三个尺度的结果，进行非最大抑制（NMS），输出最终的测试结果。 如yolov3的输出所述，目标类别有一个概率值，但目标框只有一个位置，没有概率值，即无法从...
Yolov2、Yolov3、Gaussian_Yolov3使用K-means聚类计算anchor boxes方法
happyday_d的博客
11-12 1875
Yolov2、Yolov3、Gaussian_Yolov3使用K-means聚类计算anchor boxes方法 ​ Yolo系列模型的默认anchor 是基于COCO训练集，使用K-means聚类算法获得的，在实际应用中，可以根据自己的任务数据集通过聚类得到anchor box的默认尺寸。 代码参考如下： from os import listdir from os.path import is...
``` gaussian_kde ```gaussian_kde
03-22
`gaussian_kde`是一种用于估计概率密度函数（PDF）的非参数方法，它基于高斯核函数。它可以用于对连续变量的数据进行平滑和估计，从而得到其概率密度函数的近似值。 具体来说，`gaussian_kde`使用一组观测数据来...

“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 3
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