二阶段目标检测网络-FPN 详解

已于 2022-12-05 16:10:42 修改
阅读量1k 收藏 3
点赞数
分类专栏： 计算机视觉 文章标签： 深度学习 目标检测 FPN网络 特征金字塔网络 特征金字塔
于 2022-09-09 11:34:29 首次发布
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/qq_20986663/article/details/126779782
版权
本文深入解析特征金字塔网络（FPN），探讨其在多尺度目标检测中的优势。FPN通过自底向上和自顶向下的路径以及横向连接构建特征金字塔，改善了高层和低层特征的融合，提高了定位准确性。实验表明，FPN显著提升了检测性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
二阶段目标检测网络-Faster RCNN 详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 1322
backbone 为 vgg16 的 faster rcnn 网络结构如下图所示，可以清晰的看到该网络对于一副任意大小 PxQ 的图像，首先缩放至固定大小 MxN，然后将 MxN 图像送入网络。
一阶段目标检测网络-RetinaNet详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 2681
Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection。作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域。
了解目标检测：两阶段检测（Two-Stage Detection）、单阶段检测（Single-Stage Detection）和区域建议网络（RPN）
fydw_715的博客
07-29 7034
在两阶段检测中：RPN作为生成候选区域的关键组件，通过滑动窗口和锚点机制在特征图上生成高可能包含目标的候选区域。随后这些区域被进一步分类和调整，以提高检测精度。在单阶段检测中：没有RPN，直接在图像或特征图上进行预测。这减少了计算复杂度，但可能牺牲了一些细粒度的检测精度。Faster R-CNN：约100-200毫秒/图像YOLOv3：约22毫秒/图像Mask R-CNN：约200-300毫秒/图像YOLOv4：约30毫秒/图像Cascade R-CNN：约150-250毫秒/图像。
特征金字塔网络(FPN)详解
最新发布
漫步者
04-03 1146
特征金字塔网络是是一种多尺度特征表示方法，用于解决目标检测、图像分割等任务中对不同尺寸的目标的检测问题。特征金字塔网络会有多个尺度的特征图输出，每个大尺度的特征图都包含小尺度特征图的信息，进而将小尺度特征图中的信息融合到大尺度的特征图中，这样在大尺度中也会包含只有小尺度特征图的语义信息。特征金字塔网络会有多个输出，每个输出的尺度各不相同，但是通道数相同自顶向下是只从小尺度特征图向大尺度特征图方向传递信息自底向上路径，它的意思是从大尺度特征图向小尺度方向的变化通过横向连接特征融合实现了细节和语义的融合。
[学习笔记] 目标检测（Object Detection）——双阶段经典网络：R-CNN、Fast R-CNN、Faster R-CNN（One-stage）
Le0v1n 的博客
05-02 3694
本文讲解了目标检测领域非常经典的网络：R-CNN、Fast R-CNN、Faster R-CNN的理论部分
二阶段目标检测网络
sdhdsf132452的博客
12-16 551
R-CNN 1. 通过selective search选取候选区域（缺点：区域质量不好） 2. 将区域送进cnn中提取特征（缺点：每块区域单独进行cnn提取特征，计算量大） 3. 训练多个svm预测区域是否包含物体（缺点：2和3独立训练） 4. 使用区域特征训练线性回归器调整区域位置 fast R-CNN 1. 使用了roi-pooling，将每个区域均匀分成若干小块（缺点：仍然使用selective search选取候选区域） 2. 用softmax+回归 代替了 svm+回归 faster R-
两阶段3D目标检测网络 SIENet: Spatial Information Enhancement Network for 3D Object Detection from Point Cloud
10点43的博客
04-06 2649
本文介绍一篇两阶段的3D目标检测网络：SIENet，论文已收录于CVPR 2021。 这里重点是理解本文提出的 Hybrid-Paradigm Region Proposal Network 和 Spatial Information Enhancement module。 论文链接为：https://arxiv.org/abs/2103.15396 项目链接为：https://github.com/Liz66666/SIENet 0. Abstract 1. Introduction & R.
二阶段目标检测网络-Mask RCNN 详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 432
Mask RCNN 是作者 Kaiming He 于 2018 年发表的论文。Mask RCNN 继承自 Faster RCNN 主要有三个改进： 1，feature map 的提取采用了 FPN 的多尺度特征网络 2，ROI Pooling 改进为 ROI Align 3，在 RPN 后面，增加了采用 FCN 结构的 mask 分割分支。
YOLOv10涨点改进：FPN涨点篇 |多级特征融合金字塔（HS-FPN），助力小目标检测| 2024年最新论文
06-03 1413
FPN涨点篇 |多级特征融合金字塔（HS-FPN），助力小目标检测| 2024年最新论文
又一款改进的yolo-AF-FPN
whaosoft143ai的博客
09-17 2463
在今天分享中，研究者提出了一种改进的特征金字塔模型，命名为AF-FPN，它利用自适应注意力模块（AAM）和特征增强模块（FEM）来减少特征图生成过程中的信息丢失并增强表示能力的特征金字塔。将YOLOv5中原有的特征金字塔网络替换为AF-FPN，在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。FEM主要利用空洞卷积根据检测到的交通标志的不同尺度自适应学习每个特征图中不同的感受野，从而提高多尺度目标检测和识别的准确性。后一部分增强了特征金字塔的表示并加快了推理速度，同时实现了最先进的性能。
【深度学习】卷积神经网络应用之双阶段目标检测｜R-CNN、SPP-Net、Fast-RCNN、Faster-RCNN
m0_52427832的博客
10-28 3112
本文主要介绍了卷积神经网络应用之目标检测。测试阶段，RCNN网络首先通过SS算法得到约2000张特征图，然后经过卷积将conv5特征图进行Maxpooling后分别进行回归和分类操作；SPPnet是将Maxpooling层替换为SPPpooling层进行特征图的提取；Fast RCNN则是使用RoI pooling层，经过特征层后进行多任务损失的计算实现了end to end的网络训练；Faster RCNN是将Fast RCNN和RPN网络进行结合，后者是进一步对SS算法提取特征图进行优化的网络
FPN（feature pyramid networks）网络
01-22
FPN特征金字塔做目标检测
Mask-RCNN理解
10-10 780
Mask RCNN是作者Kaiming He于2018年发表的论文。
二阶段网络
qq_37501800的博客
01-13 935
1、RCNN 对2000*20的每一列分别进行极大值抑制，保留高质量建议框 2、fast-RCNN 1、fast-RCNN的第二步于RCNN完全不同： RCNN将2000候选框送入CNN网络；fast-RCNN将整张图送入CNN网络得到特征图，将候选区域映射到特征图得到特征矩阵 2、fast-RCNN的第三步于RCNN完全不同： RCNN专门训练SVM分类器和回归器 fast-RCNN结合在一个网络中，不需要专门训练SVM分类器和回归器 每一个ROI区域划分为7*7=49分做最大池
FPN网络
xinxin的博客
04-08 1252
的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量，但是不同的层次的特征图有巨大的语义差距，高分辨率的特征图只有低级特征，损害了表示能力，不利于目标识别。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。这些特征信息的提取是通过卷积操作和池化操作等方式来实现的。在自顶向下的过程中，最初的输入是来自网络的高层特征，这些特征通常具有较高的语义信息和较低的分辨率。
深度学习中的两阶段目标检测
qq_59931372的博客
04-16 5172
目标检测作为计算机视觉中承上启下的一步，至关重要，可以说，实现了目标检测就实现了计算机视觉基本任务。目标检测急需要对物体进行识别，又要检测出物体的位置，难度较大，网络结构也层出不穷，在深度领域，从R-CNN到SPP-NET再到YOLO最后到SSD，可以说是百家争鸣，各有千秋。另一方面，目标检测应用非常广泛，例如生活中常见的人脸检测、车牌识别等；在自动驾驶领域，有行人识别、车道线识别；还有智能视频监控、机器人导航、飞机航拍等多种多样的应用。目标检测可以分解为两个步骤，
二阶段目标检测总结
寂寞的小乞丐
06-28 1426
概述： 最新几年的论文都是在单阶段、Transform上进行发掘提升，基本上2020-2021年二阶段论文全军覆没，这篇博文也是总结2016-2019年的发展，最后一篇CenternetV2比较特殊，不能完全算作传统意义的二阶段网络。 目前什么地方还使用二阶段论文？ 比赛场景，经常使用FasterRCNN的变种+其它网络进行联合预测 目标比较小的场景(使用较少，一般用anchor-free、...
深度学习目标检测：两阶段与一阶段算法详解
深度学习在目标检测领域的应用已经取得了显著的进步，主要通过两种主要的算法框架：两阶段方法和一阶段方法。这两者各有特点，但共同的基础包括理解IOU（Intersection over Union，交并比）和非极大值抑制（Non-...
评论 2
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

打赏作者

嵌入式视觉

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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