Deformable Convolutional Networks——v1 and v2，可变形卷积

最新推荐文章于 2022-10-23 18:09:45 发布
原创 最新推荐文章于 2022-10-23 18:09:45 发布 · 1.3k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。

本文深入解析可变形卷积网络V1及V2，阐述其如何通过学习偏移量增强CNNs对几何形变的建模能力，包括可变形卷积与可变形RoI池化，以及在V2中引入的控制输入强度标量。

V1：Deformable Convolutional Networks

V2：Deformable ConvNets v2: More Deformable, Better Results

 

V1：

卷积神经网络（CNNs）由于卷积核固定的几何结构（常见的 1x1、3x3 和 5x5 等），导致其不能够很好地建模存在几何形变（geometric transformations）的物体。本文提出了两个可以用于提高 CNNs 建模几何形变能力的模块——deformable convolution 和 deformable RoI pooling ，两种模块都是通过在目标任务中学习偏移量（offsets）来改变空间中的采样位置。

从下面的图 1 中，可以看出标准卷积（standard convolutions）和可变形卷积（deformable convolutions）之间的区别。图（a）是一个常用的 3x3 的标准卷积所对应的采样点（绿色点）。图（b）是一个可变形卷积所对应的采样点（蓝色点），其中的箭头就是本文需要学习的偏移量（offsets），根据这些偏移量，就可以把标准卷积中对应的采样点（ 图(a)中绿色 ）移动到可变形卷积中的不规则采样点处（ 图(b)中蓝色 ）。图（c）和图（d）是图（b）的特殊情况，表明了可变形卷积囊括了长宽比、尺度变换和旋转变换。

一、Deformable Convolution（可变形卷积）

在标准卷积（standard convolution）中，对于输出特征图 y 上的每一个点 y(p_{0})，它的计算如下：

其中：w(p_{n}) 为每一个采样点所对应的权重（也就是卷积核里的权重参数），对于一个常见的 3x3 的卷积核，R 为：

 即 \sum_{p(n)\in R}(p_{0}+p_{n}) 是以

最低0.47元/天 解锁文章
YOLOv8改进有效涨点系列-＞多位置替换可变形卷积(DCNv1、DCNv2、DCNv3)
Snu77的博客
11-05 1万+
这篇文章主要给大家讲解如何在多个位置替换可变形卷积，它有三个版本分别是DCNv1、DCNv2、DCNv3，在本篇博文中会分别进行介绍同时进行对比，通过本文你可以学会在YOLOv8中各个位置添加可变形卷积包括(DCNv1、DCNv2、DCNv3)，可替换的位置包括->替换C2f中的卷积、DarknetBottleneck中的卷积、主干网络(Backbone)中的卷积等多个位置。
Deformable Convolution Networks
m0_47135641的博客
04-23 533
Deformable Convolution Networks 论文链接 1.双线性插值原理 由于可形变卷积在获取偏移位置像素点时候，需要用到双线性插值，所以我就把它先放到上面，并附上参考链接： 参考链接 线性插值 线性插值是指插值函数为一次多项式的插值方式，其在插值节点上的插值误差为零。也就是连接两个已知量的直线来确定在这两个已知量之间的一个未知量的值的办法。 转换为公式计算： 双线性插值 既然单个维度的线性插值误差较大，那么很自然的会想到从多维度的角度去减小误差，这就是双线性插值，其核心思想
Deformable ConvNets v2算法笔记
AI之路
03-02 1万+
论文：Deformable ConvNets v2: More Deformable, Better Results 论文链接：https://arxiv.org/abs/1811.11168 这篇博客介绍个人非常喜欢的一篇目标检测文章：DCN v2，也就是Deformable ConvNets论文的升级版，效果提升很明显，思想很简洁。主要的改进包括： 1、在特征提取网络的更多层中引入deform...
Deformable Convolutional Networks
cdknight_happy的专栏
04-27 480
论文：http://xxx.itp.ac.cn/abs/1703.06211 1 简介 计算机视觉中的一个关键挑战是如何适应目标的几何变换，如尺度、姿态、视角和部分形变。一般来说，有两种解决方法，第一个是构建包含了想学习的形变的足够大的训练数据集，这样的数据集可以通过对现有数据集进行增广(如进行仿射变换)得到，从包含了形变的数据集中可以学习到鲁棒的特征表示，但是代价是大量的训练数据和复杂的模型结构...
Deformable Convolutional Networks-v1-v2(可变形卷积网络)
weixin_34204722的博客
11-29 840
如何评价 MSRA 视觉组最新提出的 Deformable ConvNets V2？ 《Deformable Convolutional Networks》是一篇2017年Microsoft Research Asia的研究。基本思想也是卷积核的采样方式是可以通过学习得到的。作者提出了两种新的op：deformable convolution和deformable roi...
全面解析可变形卷积家族（Deformable Convolutional Networks v1+ v2）
Bruce_0712的博客
10-23 498
自动驾驶
可变形卷积：Deformable ConvNets
Airs-Gao的博客
11-30 7387
可变形卷积：Deformable ConvNets DCNv1论文网址：Deformable Convolutional Networks DCNv2论文网址：Deformable ConvNets v2: More Deformable, Better Results DCNv2代码：https://github.com/CharlesShang/DCNv2/tree/pytorch_0.4 DCNv1 1. 空洞卷积（dilated conv） 在图像分割领域，图像输入到CNN（典型的网络比如FC
可变形卷积学习（RepPoints）
qq_44442727的博客
03-06 5940
近来在学习anchor-free网络，看到了可变形卷积（Deformable Convolutional Networks(DCN)）的内容，大致总结一下，便于后面回顾。 可变形卷积可从以下三篇论文去学习，它们也被称为DCNv1、DCNv2、RepPoints（DCNv3）, DCNv1:http://xxx.itp.ac.cn/pdf/1703.06211.pdf DCNv2:http://cn.arxiv.org/pdf/1811.11168v2 RepPoints（DCNv3）:http://xxx.
Deformable Convolutional Networks理解
别说话写代码的博客
12-08 3493
文章转自知乎：https://zhuanlan.zhihu.com/p/37578271 Deformable Convolutional Networks 论文链接：https://arxiv.org/abs/1703.06211 代码链接：https://github.com/msracver/Deformable-ConvNets（官方实现，但是release的版本是迁移到MXNet上的...
[DCN]Deformable Convolutional Networks
Ah丶Weii
02-02 548
文章目录1. Motivation2. Contribution3. Deformable Convolutional Networks3.1 Deformable Convolution3.2 Deformable RoI Pooling3.3 Position-Sensitive (PS) RoI Pooling3.4 Deformable ConvNets 1. Motivation ​ 由于CNNs固定的几何结构，它们在建模几何变化中受到了限制。 Convolutional neural net.
deformable convolution（可变形卷积）算法解析及代码分析
热门推荐
mykeylock的博客
08-31 2万+
可变形卷积是指卷积核在每一个元素上额外增加了一个参数方向参数，这样卷积核就能在训练过程中扩展到很大的范围。 可变形卷积的论文为：Deformable Convolutional Networks【1】 而之前google一篇论文对这篇论文有指导意义：Spatial Transformer Networks【2】 论文【1】的github代码地址为https://github.com/feli
deformable convolutional networks
06-28
可变形卷积网络（Deformable Convolutional Networks, DCN）是一种卷积神经网络，其允许卷积核的形状在运行时发生变化。这使得网络能够适应不同形状的目标，并在识别对象时获得更高的精度。DCN通过在普通卷积层上...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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