ScarfNet 多尺度融合与特征重分配增强目标检测 论文简记

最新推荐文章于 2024-06-17 09:41:35 发布
最新推荐文章于 2024-06-17 09:41:35 发布
阅读量561 收藏
点赞数
分类专栏： 目标检测 文章标签： ScarfNet ObjectDetect biLSTM attention模型
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/hw5226349/article/details/98720335
版权
《ScarfNet: Multi-scale Features with Deeply Fused and Redistributed Semantics for Enhanced Object Detection》论文介绍了如何通过双向LSTM融合多尺度特征，并利用注意力模型重新分配特征，提升目标检测性能。ScarfNet结构基于RetinaNet的FPN，关键创新在于ScNet和ArNet。实验结果显示，该方法在VOC2007和COCO数据集上表现出中等水平的检测精度，但速度较慢，且与近期的无锚点方法相比存在差距。
摘要由CSDN通过智能技术生成
  • paper:《ScarfNet: Multi-scale Features with Deeply Fused and Redistributed Semantics
    for Enhanced Object Detection》
  • arxiv: https://arxiv.org/abs/1908.00328
  • github: 暂时没找到

简介

首先paper提出bottom-level特征限制目标检测性能，提出2点来解决问题：

  1. 使用双向LSTM融合上下文多尺度特征
  2. channel-wise 注意力模型重分配每个尺度的特征

模型

ScarfNet结构
ScarfNet结构网络结构，主体结构借鉴RetinaNet中的FPN，关键是加入尺度结合网络ScNet和注意力重分配网络ArNet。
ScNet和ArNet详细结构体
ScNet：利用双向LSTM融合四个不同尺度分支的特征，这样做将手工的特征连接编程基于权重自动学习重要特征来融合。
ArNet：注意力模型与其他注意力模型没有什么本质区别，都是通过全局平均池化GAP实现自注意力，然后再旁路连

最低0.47元/天 解锁文章
Mars_WH
关注
专栏目录
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合（论文篇二）
qq_36130719的博客
04-13 998
基于多尺度特征融合的图像语义分割方法研究基于多尺度特征融合的图像语义分割方法研究。
目标检测YOLO实战应用案例100讲-雾天场景下低能见度图像 目标检测（中）
qq_36130719的博客
09-30 582
一定的检测识别能力，而对于浓雾场景、小目标聚集场景、目标重叠场景的表现却不尽人意。为了进一步印证每个设计对检测效果的影响，进行了如下的实验。而这两种情况出现的重要原因就是特征提取网络的性能不佳，无法在有雾天噪声存在的。相比带有普通的域分类器的检测器，引入注意力的域分类器检测器在雾气。较浓、目标繁多、场景复杂的雾天图像中均能有较好的检测效果。特殊形似某种物体轮廓的背景检测为特定目标，从而产生误检的情况，这也说明虽然引入注。意力的域分类器具有更强的雾天特征提取能力，但是一定程度上也影响了对于前景与背景的。
Scarf 方法：求解一般均衡价格向量以清除 n 种商品的需求和供应系统。-matlab开发
05-30
此函数计算价格向量，该价格向量清除用户指定的需求和供应系统中的所有市场。 该算法使用 James MacKinnon 和 Harold Kuhn 提出的 Herbert Scarf 单纯形算法的修改来求解均衡价格的近似值。 该函数返回一个总和为 1 的 1xN 价格向量。 参考： * Harold W. Kuhn 和 James G. MacKinnon，1975 年。三明治法用于寻找固定点。 优化理论与申请，17, 189-204。 * Herbert E. Scarf，1977。均衡价格的计算： 一个博览会。 数理经济学手册，KJ Arrow & MD Intriligator (ed.), Handbook of Mathematical Economics, 版本4，2（21），1007-1061。 * Andreu Mas-Colell、Michael D. Whinston 和
ScarfNet: Multi-scale Features with Deeply Fused and Redistributed Semantics
weixin_36670529的博客
05-11 604
1、已经存在的特征金字塔方法 为了检测到变化尺寸的目标，基于特征金字塔的检测器，在不同特征层之间，基于在k特征图上的决策，例如下图(a)所示，基线检测器使用在特征层上的特征图。 其中。其中是骨干网络产生的特征图，是从后来的卷积层由底向上得到。代...
多尺度特征融合：为检测学习更好的语义信息（附论文下载）
gzq0723的博客
01-05 3019
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2112.13082....
基于多时空尺度的LSTM模型
zzh1464501547的博客
10-22 2487
基于多时空尺度的LSTM模型 关注人工智能学术前沿 回复 ：ts33 5秒免费获取论文pdf文档，及项目源码 摘要 本文提出了一种新的用于环境数据时间序列预测的时空LSTM (SPATIAL)结构。该框架通过多个传感器和三个不同的海洋变量进行了评估:当前速度、温度和溶解氧。网络的实施在两个方向进行，名义上是分离的，但作为自然环境系统的一部分，跨越空间(在单个传感器之间)和传感器数据的时间组件。来自4个采样电流速度的传感器和8个同时测量温度和溶解氧的传感器的数据评估了框架。我们的模型与
论文笔记 ICNP 2016|MS-LSTM: a Multi-Scale LSTM Model for BGP Anomaly Detection
o11oo11o的博客
10-16 718
文章目录1 简介1.1 动机1.2 创新2 背景知识3 方法4 实验5 总结 1 简介 论文题目：MS-LSTM: a Multi-Scale LSTM Model for BGP Anomaly Detection 论文来源：ICNP 2016 论文链接：https://ieeexplore.ieee.org/abstract/document/7785326 1.1 动机 1.2 创新 2 背景知识 3 方法 4 实验 5 总结 ...
弱小目标检测跟踪算法研究（7） 基于简单平滑滤波算法的红外弱小目标检测之背景抑制
sinat_34897952的博客
04-20 2260
基于简单平滑滤波算法的红外弱小目标检测之背景抑制1. 前言2. 平滑滤波算法3. Matlab仿真4. 小结 1. 前言 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，
弱小目标检测跟踪算法研究（5） 基于顶帽变换（Top_hat）算法的红外弱小目标检测之背景抑制
sinat_34897952的博客
04-10 4611
基于顶帽变换（Top_hat）算法的红外弱小目标检测之背景抑制1. 前言2. 顶帽变换（Top_hat）算法3. Matlab仿真4. 小结 1. 前言 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrument
探索层级多尺度LSTM（hmlstm）: 解锁序列数据的深度洞察力
最新发布
gitblog_00014的博客
06-17 334
探索层级多尺度LSTM（hmlstm）: 解锁序列数据的深度洞察力 项目地址:https://gitcode.com/bolducp/hierarchical-rnn 在深度学习的世界里，对复杂序列模式的理解与预测一直是研究的核心。今天，我们要向您推荐一款开源工具——Hierarchical Multiscale LSTM（简称hmlstm），一个由Chung等人提出的创新神经网络实现，其论文可追...
【计算机视觉】简述对MSAA（多尺度注意力融合）的理解
weixin_48845174的博客
03-28 5152
对于点云分割而言，自PointNet发布以来，很多算法都意识到了这个算法的问题，可能它首先解决了点云的无序性问题，但是它的网络丢失了很多信息，即分割效果差，没有学习邻域的局部特征，虽然目前很多模型都在此基础之上去学习邻域的局部特征，像经典的RandLA（局部特征学习+自注意力池聚合+扩展残差）就是大场景点云分割中比较早去学习邻域局部特征的，所以它在2020年分割效果还是挺好的。后面很多不管是SemanticKI还是一些其他建筑大场景点云分割算法，都是在此基础之上添加模块，提升分割效果， ...
粒子群算法(PSO)优化双向长短期记忆神经网络的数据分类预测，PSO-BiLSTM分类预测，多输入单输出模型
机器学习-深度学习
11-28 654
粒子群算法(PSO)优化双向长短期记忆神经网络的数据分类预测，PSO-BiLSTM分类预测，多输入单输出模型
基于深度多尺度卷积LSTM网络的出行需求和出发地预测
zuiyishihefang的博客
11-18 1528
1.文章信息《Deep Multi-Scale Convolutional LSTM Network for Travel Demand and Origin-Destination Predictions》是2020年发表在IEEE的文章。2.摘要传感和物联网技术的进步产生了大量的数据。移动随需应变（MoD）服务得益于智能交通系统中的大数据可用性。根据未来的出行需求或OD流量预测，服务提供者可以...
C语言之scarf函数
weixin_30730151的博客
10-21 3137
一 基本用法 scanf函数：接收用户的输入 语法： scanf("格式化控制符",地址列表); 例： int num; scanf("%d",&num);//代表接收用户输入一个整数，把这个整数赋值到num所在的空间 如果要接收字符呢？？？ char c...
IEEE2020论文:用于小物体检测的多尺度特征图的增强和融合
weixin_42390283的博客
09-23 4994
摘要： 近年来，深度卷积神经网络在计算机视觉领域的目标识别和目标检测任务上取得了突破性进展，在准确率和速度上都取得了不错的成绩。但是在目标检测领域，小物体的检测还是比较困难的，在通用数据集MS COCO上的准确率很低。本文简要回顾了多尺度物体检测算法的一些工作，然后提出了一种基于多尺度特征图的特征增强和融合方法，提高了MS COCO上小物体的检测精度。 一、介绍 目标检测是计算机视觉领域的核心问题之一。它旨在找到图像中所有感兴趣的对象并确定它们的位置和类别。特征提取是目标检测的重要步骤。基于深度学习的
多尺度融合注意力机制的人脸表情识别网络--2022.罗思诗
xu.hyj
10-11 3828
本文为了解决CNN难以提取有效特征、网络模型参数复杂等问题，提出了一种多尺度融合注意力机制网络MIANet。首先引入Inception结构来图区多尺度特征信息，使用ECA注意力模块加强特征表征能力，使用深度可分离卷积减少网络参数。最终在FER2013和CK+上分别取得72.28%和95.76%的准确率。 值得学习的是三种模块在CNN中的插入位置，其他的看看就行。
多尺度特征表示在深度学习中的重要意义
热门推荐
weixin_40272441的博客
04-14 1万+
本人硕士，入坑图像语义分割1年半，论文读了一箩筐。 多尺度信息在传统的计算机视觉算法中有重要的意义，比如DPM ，但具体有什么意义我就不谈了，因为我对传统计算机视觉算法并不了解。 首先来说说空间金字塔池化。何凯明大神为了解决图像分类中存在的全连接层只能接受固定输入的问题，而提出了SPPnet，通过不同的下采样步长，得到固定大小的特征图，并且将特征图拉伸成向量并且进行拼接，这样做不仅可以使网络适应任...
CVPR2020论文笔记——EfficientDet---双尺度特征融合BiFPN目标检测
whr980114的博客
03-15 8469
代码：https://github.com/google/automl/tree/ master/efficientdet. 摘要：提出了提高效率的几个关键优化 提出了一种加权的双向特征金字塔网络，它允许简单和快速的多尺度特征融合 提出了一种复合缩放方法，可以同时统一缩放所有主干、特征网络和bbx/类预测网络的分辨率、深度和宽度 1.引言 在融合不同输入特征的时候，以往的网络，对特征图总是不加以区分进行简单的计算，然后，由于不同输入特征拥有不同的分辨率，对融合后输出的特征的贡献是不一样的。为了解决这个问题
Django数据库API：pk简记法与LIKE语句转义
2. **范围查询**：`pk`简记法不仅限于精确匹配，还可以与其他查询操作符结合，如`in`、`gt`(大于)等。比如，`Blog.objects.filter(pk__in=[1,4,7])`将返回ID为1、4和7的博客条目，而`Blog.objects.filter(pk__gt=14)...
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