[深度学习从入门到女装]YOLACT Real-time Instance Segmentation

最新推荐文章于 2023-09-15 16:32:42 发布
最新推荐文章于 2023-09-15 16:32:42 发布
阅读量800 收藏
点赞数
分类专栏： 深度学习
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/py184473894/article/details/89251198
版权

论文地址：YOLACT Real-time Instance Segmentation

这是一篇进行实例分割的论文

对于目前的实例分割方法，基本上都是在two-stage目标检测算法上加了一个instance segmentation的模块，就像mask-rcnn一样，但是由于对于feature 的多次repool，导致速度很慢，本文提出了一种新的基于one-stage目标检测算法上的改进
在这里插入图片描述
整体结构如上图所示，分为两个模块，Prototype Generation和Mask Coefficients

Prototype Generation

在这里插入图片描述
protonet的模块，其实就是类似于一个用FCN进行语义分割的模块，从P3得到feature map，然后进行上采样，得到k个类的mask，但是与语义分割的不同的地方在于，不使用mask loss，只在网络的最后进行assem的时候，才使用loss

Mask Coefficients

在这里插入图片描述
基于anchor的最终检测结果每个anchor有c个class的confidence、4个bounding box的regressor，本文的改进就是直接又加了一个结果，k个mask confidence对应protonet得到的每个prototype
因此，最终每个anchor进行4+c+k个预测

Mask Assembly

在这里插入图片描述
在这里插入图片描述

炼丹师
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文阅读笔记(三)——YOLACT Real-time Instance Segmentation
InkBamboo920的博客
08-04 1209
我们提出了一个简单的，全卷积的实时实例分割模型，在MS COCO上实现29.8 mAP，在单个Titan Xp上评估33.5 fps，这比任何以前的竞争方法都要快得多。而且，我们只在一个GPU上训练就得到了这个结果。为此，我们将实例分割分为两个并行子任务:(1)生成一组原型掩码和(2)预测每个实例的掩码系数。然后我们通过线性组合原型和掩码系数来产生实例掩码。我们发现，因为这个过程不依赖于重新池化，这种方法可以产生非常高质量的掩码，并免费展示时间稳定性。...
实例分割-Yolact/Yolact++训练自己数据集
最新发布
mw的博客
08-02 404
本文主要用于记录实例分割模型yolact和yolact++的环境配置，以及成功训练自己数据集的整个过程~
YOLACT: Real-time Instance Segmentation
既然选择了远方 便只顾风雨兼程 - 永强
12-04 651
YOLACT: Real-time Instance Segmentation You Only Look At CoefficienTs，YOLACT https://github.com/dbolya/yolact A simple, fully convolutional model for real-time instance segmentation. trailer [ˈtreɪlə(...
[ICCV 2019] YOLACT Real-time Instance Segmentation
Smile
11-01 574
文章目录YOLACT Real-time Instance Segmentation1. Author2. Abstract3. Introduction4. YOLACT4.1 Rationale4.2 Prototype Generation4.3 Mask Coefficients4.4 Mask Assembly4.5 Emergent Behavior YOLACT Real-time ...
【实例分割】论文阅读：YOLACT Real-time Instance Segmentation
Jeremy_lf的博客
06-08 677
论文：YOLACT Real-time Instance Segmentation （ICCV2019） 作者：Daniel Bolya Chong Zhou Abstract 我们为实时实例分割提供了一个简单的全卷积模型，该模型在单个Titan Xp上以33.5 fps的速度在MS COCO上达到了==29.8 mAP，==这比以前的任何竞争方法都快得多。此外，我们仅在一个GPU上训练后即可获得此结果。我们通过将实例分割分为两个并行的子任务来完成此任务：（1）生成一组原型Mask，以及（2）预测每个实.
论文：图像分割之YOLACT Real-time Instance Segmentation
m0_38064230的博客
03-07 3604
作者 摘要 We present a simple, fully-convolutional model for real-time instance segmentation that achieves 29.8 mAP on MS COCO at 33.5 fps evaluated on a single Titan Xp, which is significantly faster than any previous competitive approach. Moreover, we obta
《YOLACT++ Better Real-time Instance Segmentation》论文笔记
m_buddy的博客
01-05 1730
代码地址：yolact 1. 概述 导读：这篇文章的方法YOLACT++是在YOLACT的基础上进行改进得到的（之前关于YOLACT的文章可以参考之前的博文：链接），这篇文章给出的算法相比之前的版本其在instance分割性能上有了很大进步，作为取舍的另外一方面，在速度上略微有所下降。其具体的改进体现在以下3点：1）为网络引入Deformable Convolution，增强网络表达能力，带来更...
CenterMask CVPR2020 Real-Time Anchor-Free Instance Segmentation
菜鸟中的菜中菜的博客
11-21 2559
CenterMask CVPR2020 参考1 参考2 高效率、高mAP的实例分割模型 创新： 添加空间注意引导掩模(SAG-Mask)分支到anchor-free目标检测器(FCOS），SAG-Mask分支在每个检测到的盒子上预测一个分割掩码，这有助于关注信息像素和抑制噪声 新的backbone：VoVNetV2，有残差连接，使用eSE处理通道信息丢失问题。 设计了CenterMask and CenterMask-Lite，分别针对大、小模型。 结构 1.backbone+FPN提取特征 2.FC
Deep Snake for Real-Time Instance Segmentation：基于Deep Snake的实例实时分割
阿波
04-23 3231
本文针对自己所看的 Deep Snake 做一个总结和存档，也方便其他同学学习 —— 阿波，2020.4.23 论文原文：Deep Snake for Real-Time Instance Segmentation 代码地址： snake 本篇文章工作有以下贡献： •提出了一种基于学习的snake算法用于实时实例分割，该算法将初始轮廓变形到对象边界，并引入循环卷积来进行轮廓特征学习。 •提出了一个...
【实例分割】4、YOLACT: Real-time Instance Segmentation
热门推荐
呆呆的猫的博客
04-11 2万+
摘要 本文提出了一个简单的全卷积网络来实现实时的实例分割（from 加州大学戴维斯分校） MS COCO数据集——mAP=29.8%，33fps，在单个Titan Xp上实验，比目前任一方法都要快速，并且只使用了单个GPU。 为何获得如此好的效果： 将实例分割任务分成了两个并行的过程： 产生一系列模板mask 预测每个实例mask的系数 之后将模板mask和实例mask系数进行线性组合来获得实......
yolact
03-28
乳脂状 这是文件中的代码： 我已经使用并更新了的代码 此存储库将帮助您检测和分割汽车实例： 安装 克隆此存储库并输入： git clone https://github.com/Priyashbhugra/yolact.git cd yolact 创建Anaconda环境： conda create -n yolact 运行以下命令并等待直到创建环境： conda create -n yolact conda activate yolact 运行以下命令并等待直到创建环境： conda env create -f environment.yml ` 评估 这是在COCO数据集上预训练的YOLACT模型： 下载Resnet101-FPN ---------- 我仅使用Resnet101-FPN作为骨干网。 要评估模型，请将相应的权重文件放在weights目录中，然后运行以下
【YOLACT】代码解读一
01-06
【YOLACT】代码解读一代码运行验证处理图片训练代码解读网络架构 代码运行 根据github所给指导一步一步进行，如果曾经下载好coco数据集，在data/config.py108行以下修改数据集的目录，并且在run_coco_eval.py16行修改验证集annotation文件的路径。 验证 有以下三种评估方式： first python eval.py --trained_model=weights/yolact_base_54_800000.pth 以上命令不使用coco数据集自带的模型评估COCOEval，而是使用自己定义的评估函数。 second python eval.py
yolact_person.rar
01-13
基于yolact的重新训练模型, 可用于人体检测. 详细说明见博客 https://blog.csdn.net/Augurlee/article/details/103574125
YOLACT：Real-time Instance Segmentation总结
qq_32678471的博客
04-23 1822
YOLACT：Real-time Instance Segmentation 这篇文章精度不高（mAP=29.8%），但是速度上有了较大的提升（33fps），能够达到实时级别。文中提到训练时只用了一个GPU，titanx。我下载源码用4块1080Ti卡跑的时候，采用COCO2014数据集，默认max_iter为400000次，batchsize为8，显示需要34天。看了下代码，感觉很复杂，数据预处...
【实例分割】论文详解YOLACT：Real-time Instance Segmentation
向上生长的程序媛的博客
09-15 669
YOLACT是比较经典的one-stage实例分割方法，属于anchor-base流派，即需要anchor计算。ounlyooktoefficiens（系数复数）摘要：我们提出了一个简单的用于实时实例分割的全卷积模型，在 MS COCO上实现了 29.8 mAP，在单个 Titan Xp 上达到 33.5 fps ，比以前任何竞争方法都要快得多。此外，我们仅在一个训练后就得到了这个结果图形处理器。我们通过将实例分割分成两个并行子任务来实现这一点：（1）生成一组原型掩码和（2）预测每个实例掩码系数。
《YOLACT Real-time Instance Segmentation》论文笔记
m_buddy的博客
06-04 5225
代码地址：YOLACT 1. 概述 导读：本篇文章在一阶段检测网络基础上提出了一个实时全卷积实例分割模型，在MS-COCO数据集上达到了了29.8 mAP，帧率为33FPS。并且该模型是在单GPU上就可以训练得到（设备友好型），这是将总任务划分为两个并行的子任务实现的：（1）生成prototype mask集合；（2）预测每个pre-instance mask系数。之后将mask系数与原始mas...
[深度学习论文笔记][Instance Segmentation] Simultaneous Detection and Segmentation
Hao_Zhang_Vision的博客
11-13 2748
Hariharan, Bharath, et al. “Simultaneous detection and segmentation.” European Conference on Computer Vision. Springer International Publishing, 2014. (Citations: 234). 1 Pipeline See Fig. The i
YOLACT: Real-time Instance Segmentation论文翻译
qq_41627847的博客
05-25 1887
摘要 我们提出了一个简单的完全卷积模型，用于实时实例分割，在单个Titan Xp上以33 fps在MS COCO上实现29.8 mAP，这比以前的任何竞争方法都要快得多。此外，我们只在一个GPU上训练后获得此结果。我们通过将实例分段分成两个并行子任务来实现这一点：（1）生成一组原型掩码和（2）预测每个实例的掩码系数。然后我们通过将原型与掩模系数线性组合来生成实例掩模。我们发现，因为这个过程不依赖于...
deep snake for real-time instance segmentation
06-28
### 回答1： Deep Snake是一种用于实时实例分割的算法。它基于深度学习技术，通过对图像中的每个像素进行分类，实现对目标物体的精确分割。Deep Snake算法具有高效性和准确性，可以应用于许多领域，如自动驾驶、医学影像分析等。 ### 回答2： DeepSnake是一个用于实时实例分割的新型神经网络模型。与传统的基于卷积神经网络（CNN）的实例分割方法不同，DeepSnake使用自适应的密集曲线组件，来更好地关注目标对象的形状特征，从而实现更精确的分割结果。 DeepSnake的设计基于一种称为“变形回归”的曲线回归方法。该方法使用两个CNN分支，来分别处理图像区域和曲线参数，然后将它们组合起来进行端到端的训练。其中，图像分支出自用于目标检测任务的ResNet，而曲线分支则采用了U-Net结构。 DeepSnake的优点在于可以克服目标形状多样性和大小变化等问题，能够适应各种不同的数据集，并且在计算效率上具有很高的实时性。与一些竞争的实例分割算法相比，DeepSnake在准确率和速度上都有不错的表现。在PASCAL VOC 2012和COCO 2017数据集上测试，DeepSnake的性能超过了相同条件下的大多数算法，同时具有更低的计算成本。 总之，DeepSnake为实时实例分割任务提供了一种创新的方法，可以应用于许多领域，如智能监控、自动驾驶和机器人导航等。 ### 回答3： Deep Snake是一种用于实时实例分割的新型神经网络架构，由来自华盛顿大学的研究团队开发。与目前主流的神经网络架构Mask R-CNN相比，Deep Snake的优势在于能够更加准确地分割物体，同时在速度和计算资源消耗方面表现更好。 具体来说，Deep Snake使用了一种名为“蛇形控制器”的新型机制来协调具有各自目标的多个神经元。这种机制使得网络在提取图像中物体的轮廓信息时更加准确。Deep Snake还采用了特殊的分组卷积层，用于在不同的尺度上提取特征，以更好地分割物体。 此外，Deep Snake还可以使用相对较少的内存和计算资源，快速运行实例分割任务。研究者使用COCO数据集进行了实验，结果表明Deep Snake在准确率和速度方面都优于Mask R-CNN。在单个Nvidia 1080Ti GPU上，Deep Snake可以实现每秒5.7帧的实时实例分割，准确率高达33.6%。 总的来说，Deep Snake是一种非常有潜力的神经网络架构，可用于实时实例分割。它不仅可以提高准确性，还可以节省计算资源和实现更快的运行速度。未来，深度学习的研究者将继续探索和改进这种架构，以满足不断发展的实时实例分割需求。
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