RFB-Net论文笔记

  1. 大致介绍
    a. 大家都懂,较深的网络能力强但是比较慢,轻量化的小网络快但是准确率不足(VGG都算小网络了吗…)。那么有没有一种又快又强的网络呢,于是我们考虑通过对轻量化网络的特征进行强化的方式来提高效果。
    b. Receptive Field:俗称感受野。也就是每一块能感知到的原图的范围,感受野越大,包含的语义信息也就越多,也更能得到全局的信息,反之则比较偏向局部。本文将感受野的大小和离心率联系起来,也就是像人类的视觉一样,更关注中心的信息。提出了一个新的模块:RF Block
    c. 本文主要贡献如下:
    i. 提出了RFB模块,用于加强深层特征。
    ii. 提出了基于RFB的检测网络,替换了SSD的顶部卷积层,得到了不错的效果。
    iii. 通过与MobileNet的连接,展现了泛化能力。

  2. 关键模块与相关概念
    a. Dilated convolution:膨胀卷积,空洞卷积。这种卷积在普通卷积的基础上引入了一个rate的参数,在卷积时跳过一些像素。这样就可以在不改变参数,不降采样的情况下,增加了感受野,现在越来越常用的技术。
    在这里插入图片描述

  3. ASPP:空洞卷积空间金字塔池化,这是在DeepLab中提出的一种方法,将不同采样率的空洞卷积并行操作然后整合。使得在同一的尺度下,融合了不同尺度的信息。但是由于之前的卷积层的卷积大小都是一样的,也就是对于所有的位置都是看作等价的,就有可能会导致物体信息和环境信息的混淆。

  4. Deformable CNN:没看过,不了解
    在这里插入图片描述
    d. Receptive Field Block:介是一个你从未体验过的全新模块。这是一个多路的卷积快,有点像Inception。包含两层,第一层是不同大小的卷积,第二层是不同大小的且与前一层对应的空洞的卷积。其中FRFB-s模块用33的卷积替代55卷积,用13和31卷积替代3*3卷积。增加了路数,使用了更小的卷积核,减少了参数,增加了非线性。还加入了Shortcut。

  5. RFB Net 检测结构
    在这里插入图片描述
    a. 采用轻量化的网络,VGG16,去掉全连接层,修改为下采样的卷积层,最后一个池化层,也改为卷积层。
    b. 多尺度:此部分的结构和SSD一致,但是将前两层的,有着较高的分辨率的特征图部分,改为RFB模块。
    c. 实验结果:
    在这里插入图片描述
    a. 可以看到和SSD比,效率还是有所降低的,但仍算是较快的方法。而在准确率上则是超过了state-of-the-art。在COCO上的测试,虽然准确率不敌Retina-101-800,但是和500的模型相比,则准确率相近,速度更快。
    在这里插入图片描述
    b. 对各个模块效果的探究。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
rfb-face-mask.pth 是一个文件路径,其中“rfb-face-mask”代表文件的名称,“.pth”代表文件的后缀。 这个文件很可能是一个神经网络模型的权重文件,用于实现人脸口罩检测。“rfb”可能是一种特定的神经网络架构,它通常用于目标检测任务。 人脸口罩检测是一种应用于人脸识别技术的衍生任务。由于全球的公共卫生危机,人们普遍开始佩戴口罩。因此,开发一种能够准确识别佩戴口罩的人脸识别系统变得尤为重要。 这个文件可能是通过使用大量带有和不带有口罩的人脸图像进行训练而生成的。训练神经网络需要大量的计算资源和时间,以使其能够从输入图像中准确地检测出人脸以及是否佩戴口罩。这样的模型可以应用于实时人脸识别系统中,以检测佩戴者是否佩戴口罩。 在应用人脸口罩检测系统时,我们可以使用这个.pth文件加载训练好的模型权重,将其应用于实时图像或视频上。该模型能够迅速地检测图像中的人脸,并识别它们是否佩戴口罩。这样的模型可以应用于公共场所、交通枢纽和其他需要识别佩戴口罩情况的区域。 总之,rfb-face-mask.pth 文件很可能是一个神经网络模型的权重文件,用于实现人脸口罩检测任务。它可以帮助我们识别图像中的人脸,并准确判断他们是否佩戴口罩,从而提高公共卫生安全的水平。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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