Anchor Free系列模型05

最新推荐文章于 2024-10-04 05:55:37 发布
最新推荐文章于 2024-10-04 05:55:37 发布
阅读量224 收藏
点赞数
分类专栏： 笔记 文章标签： 计算机视觉 深度学习 机器学习
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/j98548/article/details/121837620
版权
本文深入探讨了CenterNet模型，该模型将检测问题转化为关键点问题，预测目标中心点和大小，避免了NMS后处理。此外，还介绍了TTFNet，它是CenterNet的改进版，通过增强监督信息和优化网络结构，提高了收敛速度和检测性能。
摘要由CSDN通过智能技术生成

2021SC@SDUSC

CenterNet

CenterNet – 核心思想
中心点
检测问题转化为关键点问题，去除anchor
每个位置仅有一个正样本，不再使用NMS
十
物体尺寸
直接预测目标框大小
能够扩展至其他任务

CebterNet – 预测目标中心点的位置

类比Anchor-Based方法
与单阶段anchor-based方法相似，每个中心点可以认为是一个不含shape信息的anchor
每个物体仅有一个正样本点，不再需要NMS，仅通过提取heatmap上最大值的位置即可
采用更大的分辨率进行分析
分配正样本的时候仅依赖位置而不依赖overlap，没有手动区分前景背景的阈值

类比CornerNet
采用相似的关键点检测思路，均使用heatmap思想和focal loss进行训练
采用相似的offset分支，弥补下采样点的位置误差
不需要对关键点进行分组操作

每个物体仅有一个正样本点，就不再需要NMS，我们就可以通过输出的Heatmap去提取局部的最大值，这样我就知道这个区域我要用哪一个点产生的预测框，也就替代了NMS这个相对费时的检测的后处理。
在cornet中只把中心点作为正样本，但是中心点附近的点还是有一些学习价值的，因此也会通过圆形的高斯分布来生成一个监督信息，也就是说越靠近中心点，这个监督信息越接近于1。

CenterNet – 预测不同任务中的不同属性
在这里插入图片描述
检测任务中直接预测目标框大小

最低0.47元/天 解锁文章
SealedHeart
关注
专栏目录
Anchor Free系列模型11
j98548的博客
12-27 501
2021SC@SDUSC CenterNet之loss计算代码解析（接上文） 代码解析 来自train.py中第173行开始进行loss计算： # 得到heat map, reg, wh 三个变量 hmap, regs, w_h_ = zip(*outputs) regs = [ _tranpose_and_gather_feature(r, batch['inds']) for r in regs ] w_h_ = [ _tranpose_and_gather_feature(r, batch['ind
目标检测算法回顾之Anchor free篇章
xiaobaizaza_Ry的博客
05-23 5715
基于anchor free的目标检测方法（一）背景与定义1.1 anchor-based的特征1.2 anchor的好处？1.3 anchor的局限？1.4 anchor-free 与anchor-based的区别（二）概述（三）早期探索型DenseBox背景（人脸检测任务）检测流程先进思想ground truth定义：多任务学习评价（四）基于关键点系列（源于姿态估计）CornerNet背景总体流程与架构heatmaps是如何找到corner的？embeddings是如何匹配corner的？为什么需要off
Anchor-Free模型总结
寂寞的小乞丐
03-23 1883
文章目录Anchor-Free综述一. CornerNet1.1 概述1.2 模块介绍1.2.1 Heatmap1.2.2 Offset1.2.3 Grouping Corners1.2.4 Corner Pooling1.3 总结二. CenterNet2.1 概述2.2 Center-Regression三. FCOS3.1. 概述3.2. 模块介绍3.2.1 论文思路简介3.3.2 回归形式3.3 参考文献四 ATSS五.GFLV15.1. 论文简介5.2. 模块详解5.2.1 谈谈分布5.2.2 分
argmax、softargmax求heatmap中最大值所在的坐标
邹九的个人博客
10-06 1931
On Differentiating Parameterized Argmin and Argmax Problems with Application to Bi-level Optimization argmax和softargmax的基本方法都是找到坐标的期望值，即对array softmax归一化以后得到概率值，然后和坐标相乘得到坐标的期望值，就是最大值的坐标。 argmax的程序： import numpy as np array=np.arange(11) #np.random.rand.
python求heatmaps图像上的极大值点
pangsmao的博客
03-05 1447
需求：给定10个关键点的heatmaps（大小为），对其沿着第0个通道求和后得到总的heatmap（大小为），求heatmap上的极大值点（即关键点）。 代码如下： import os import SimpleITK as sitk import numpy as np import matplotlib.pyplot as plt from skimage.feature import peak_local_max def generate_heatmaps(image, spacing, gt_
Anchor Free系列模型06
j98548的博客
12-09 921
2021SC@SDUSC 相比two-stage方法，one-stage的目标检测算法更受追捧。one-stage的模型目前可以分为两大类：anchor-based和anchor-free方法。基于anchor-based的检测模型包括SSD，YOLOv3，RetinaNet等，这些模型需要在每个位置预先定义一系列anchor来预测边界框，整个训练和测试阶段都依赖anchor。基于anchor-free的模型不需要anchor，主要是通过检测关键点来直接预测边界框，如CornerNet是检测物体的左上角和右
Anchor Free系列模型07
j98548的博客
12-09 1634
2021SC@SDUSC FCOS核心实现 目前FCOS官方代码已经开源在 AdelaiDet，代码基于detectron2框架。这里主要关注FCOS最核心的部分，就是正负样本的定义策略，代码如下： def compute_targets_for_locations(self, locations, targets, size_ranges, num_loc_list): """ Args: locations: [N, 2], 所有FPN层cat后的位置 t
Anchor Free系列模型12
j98548的博客
12-27 404
2021SC@SDUSC CenterNet训练自己的数据集 环境配置 环境要求： python>=3.5 pytorch==0.4.1or 1.1.0 or 1.0.0（笔者用的1.0.0也可以） tensorboardX（可选） 配置： 将cudnn的batch norm关闭。打开torch/nn/functional.py文件，找到torch.batch_norm这一行，将torch.backends.cudnn.enabled选项更改为False。 克隆项目 CenterNet_ROOT=/p
基于megengine的freeanchor的目标检测模型，主干网络ResNet18
10-17
**基于MegEngine的FreeAnchor目标检测模型与ResNet18主干网络详解** 在计算机视觉领域，目标检测是一项核心任务，其目的是在图像中定位并识别出特定对象。FreeAnchor是一种先进的目标检测算法，它在2018年被提出，...
Anchor free的心得
weixin_38740463的博客
06-11 4356
问题： 没有了Anchor框的监督信息，我们怎么针对检测任务做到正确回归？ 本质：样本与ground truth的对应，如何选择合适样本与真实场景对应 Anchor： 其加入降低了回归问题难度，为分类问题提供选择样本途径。 难点：定位模糊和背景特征干扰。 起源： 1.DenseBox 证明：1、单个FCN可以检测出遮挡严重、不同尺度的目标 ...
基于yolov8深度学习的120种犬类检测与识别系统python源码+onnx模型+评估指标曲线+精美GUI界面目标检测狗类检测犬类识别系统
FL1623863129的博客
10-02 1012
【算法介绍】基于YOLOv8深度学习的120种犬类检测与识别系统是一款功能强大的工具，该系统利用YOLOv8深度学习框架，通过21583张图片的训练，实现了对120种犬类的精准检测与识别。该系统基于Python与PyQt5开发，具有简洁的UI界面，支持图片、视频以及摄像头三种方式进行目标检测，并能够将检测结果进行保存。在检测过程中，系统能够实时显示目标位置、目标总数、置信度以及用时等信息，为用户提供直观、清晰的检测结果。该系统在多个领域具有广泛的应用价值。
红外画面空中目标检测系统源码分享
xuehaishijue的博客
10-02 1184
数据集信息展示在现代计算机视觉领域，尤其是在空中目标检测的研究中，数据集的构建与选择至关重要。本研究所采用的数据集名为“Air Vehicles”，专门针对红外画面中的空中目标检测任务而设计。该数据集包含四个主要类别，分别是“Airplane”（飞机）、“Bird”（鸟类）、“Drone”（无人机）和“Helicopter”（直升机）。这些类别的选择不仅涵盖了多种常见的空中目标，还反映了当前无人机技术和航空活动的快速发展。
PASCAL VOC 2012数据集 20类物体，这些物体包括人、动物（如猫、狗、鸟等）、交通工具（如车、船、飞机等）以及家具（如椅子、桌子、沙发等）。
最新发布
阿利同学的博客
10-04 777
PASCAL VOC 2012数据集 20类物体，这些物体包括人、动物（如猫、狗、鸟等）、交通工具（如车、船、飞机等）以及家具（如椅子、桌子、沙发等）。
目标检测评价指标
m0_57442556的博客
10-02 335
目标检测评价指标
[数据集][目标检测]辣椒缺陷检测数据集VOC+YOLO格式695张5类别
FL1623863129的博客
09-28 542
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:[“Defect”,“Fly-bites”,“Grade-A”,“Grade-B”,“striped”]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：698。标注数量(xml文件个数)：698。标注数量(txt文件个数)：698。标注规则：对类别进行画矩形框。
[数据集][目标检测]电力场景防震锤缺陷检测数据集VOC+YOLO格式705张1类别
FL1623863129的博客
09-30 605
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)重要说明：防震锤缺陷图片太难找，数据集里面存在大量单一场景图片，请仔细查看图片预览谨慎下载，此外数据集均为小目标检测，如果训练map偏低属于正常现象。特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：705。标注数量(xml文件个数)：705。标注数量(txt文件个数)：705。
计算机视觉实战项目4（图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等）
阿利同学的博客
09-24 2301
往期热门项目回顾： 计算机视觉项目大集合 改进的yolo目标检测-测距测速 路径规划算法 图像去雨去雾+目标检测+测距项目 交通标志识别项目 yolo系列-重磅yolov9界面-最新的yolo 姿态识别-3d姿态识别 深度学习小白学习路线 AI健身教练-引体向上-俯卧撑计数代码-仰卧起坐姿态估计-康复训练姿态识别-姿态矫正（附代码） yolov8双目测距-yolov8+sgbm（原理+代码） yolov5单目测距+速度测量+目标跟踪（算法介绍和代码 YOLOv8界面-目标检测+语义分割
关键点检测Anchor Free目标检测模型详解与对比
"这篇综述文章由郑婷婷、杨雪和戴阳撰写，主要探讨了基于关键点的Anchor Free目标检测模型，包括CornerNet...未来的研究可能会集中在如何进一步提高Anchor Free模型的效率和准确性，以及如何更好地适应复杂的视觉场景。
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