【目标检测】ATSS论文阅读笔记

已于 2022-06-05 22:06:10 修改
阅读量294 收藏
点赞数
分类专栏： 目标检测 文章标签： 计算机视觉 人工智能 目标检测
于 2022-06-05 22:05:42 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_35975447/article/details/125136344
版权
论文《ATSS》探讨了anchor-based与anchor-free目标检测方法的区别，并提出ATSS（Adaptive Training Sample Selection）算法，自动选择正负样本。通过ATSS，无需额外开销即可提升目标检测器在MS COCO上的性能至50.7%的AP。
摘要由CSDN通过智能技术生成

论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection

代码：https://github.com/sfzhang15/ATSS 

1.摘要

本文提出anchor-based与anchor-free目标检测方法的核心区别在于对正负样本的定义不一样，并认为这点是导致anchor-based与anchor-free两者性能差异的关键。如果适用相同的正负样本定义进行训练的话，那么他们之间的性能差异不大。

然后，提出了一个自适应训练样本选择方法（ATSS），根据目标框的统计学特征自动选择正负样本。

在MS COCO上进行的广泛实验支持我们的上述分析和结论。通过新引入的ATSS，我们在不引入任何开销的情况下，将先进的检测器大幅提高到50.7%的A

了解本专栏 订阅专栏 解锁全文 超级会员免费看
wait a minutes
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【论文阅读笔记】Pelee: A Real-Time Object Detection System on Mobile Devices
梁瑛平的博客
02-18 795
Pelee: A Real-Time Object Detection System on Mobile Devices（一）论文地址：（二）核心思想：（三）Two-Way Dense Layer：（四）Stem Block：（五）Dynamic number of channels in bottleneck layer：（六）Transition Layer without Compressi...
【目标检测】【2】One-stage目标检测算法的论文阅读笔记与资料整理
yjyjjyjy1231的博客
02-26 878
把之前本地的一些论文阅读笔记和资料汇总搬上来 之前写过的相关博客： 【目标检测】【1】《SSD- Single Shot MultiBox Detector》SSD目标检测器详解 【yolov3】【2】yolov3-spp结构详解与源码解析（pytorch） 文章目录目标检测YOLO系列与SSD对比SSD《SSD: Single Shot MultiBox Detector》YOLO【YOLOv1...
目标检测系列论文------------------CornerNet阅读笔记
goodxin_ie的博客
04-07 722
目录 Motivation 创新点 模型框架 3.1 Hourglass Networks 3.2Detecting Corners Corner pooling 总结 原文：https://arxiv.org/abs/1808.01244 代码：https://github.com/princeton-vl/CornerNet Motivation ...
（十八）论文阅读 | 目标检测之ATSS
Skies_的博客
05-08 2146
简介 图1：论文原文 论文是发表在CVPR 2020{\rm CVPR\ 2020}CVPR 2020上的一篇关于目标检测文章。我们知道，在训练目标检测模型过程中，为了增强模型的鲁棒性、减弱正负样本的不平衡性，通常会对所有样本按一定比例（目标检测中通常设定为1:3{\rm 1:3}1:3）采样正负样本。而采样样本的质量直接决定了训练模型的性能，甚至影响训练过程的收敛。根据前人工作，作者提出一种自适应采样方法，ATSS{\rm ATSS}ATSS。同时，实验证明了在Anchor{\rm.
ATSS论文要点总结（Adaptive Training Sample Selection）
上个大学哪有不疯的？硬撑罢了！
01-16 1786
ATSS全名Adaptive Training Sample Selection，是在2020年提出的针对目标检测模型的一种自适应训练（正负）样本选择算法，并不是一种目标检测模型。本文针对ATSS的论文，对其中的有价值的研究结果进行了要点总结。
内涵：目标检测之ATSS
算法工程师进阶之路
01-31 3132
1. 论文 1.1 文章讲了什么   目前目标检测领域的做法分为两大类：anchor-based(one-stage vs two-stage)和anchor-free(keypoint-based vs center-based)。anchor-based系列的文章有例如R-CNN系列和YOLO系列。而anchor-free系列的文章是由于FPN和Focal loss的出现，也变得流行起来（大概在2019年初的样子）。atss这篇文章认为两者的本质其实并没有太大差异，一些看似差异的操作其实并不会对最终的性
【目标检测论文阅读笔记】Dynamic Head: Unifying Object Detection Heads with Attentions
最新发布
YoooooL_的博客
05-04 1783
以前的工作试图提高各种目标检测头的性能，但未能提出统一的观点。在本文中，我们提出了一种新颖的来。通过在用于尺度感知的特征级别之间用于空间感知的空间位置之间以及用于任务感知的输出通道内连贯地结合多个自注意力机制，所提出的方法显著提高了目标检测头的表示能力，而无需任何计算开销。进一步的实验证明了所提出的动态头部在 COCO 基准测试中的有效性和效率。借助标准的ResNeXt-101DCN 骨干网，我们大大提高了流行目标检测器的性能，并在 54.0 AP 上实现了最新的技术水平。
论文笔记：目标检测正负样本划分方法Adaptive Training Sample Selection (ATSS)原理
qq_40268412的博客
06-25 1248
论文名称：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 论文地址：https://arxiv.org/abs/1912.02424 代码地址：https://github.com/sfzhang15/ATSS   该篇论文是CVPR2020收录的论文，论文探讨了目标检测中Anchor-base和Anchor-free方法的实质差异，并提出了Ada.
消除anchor-base与anchor-free检测算法之间的精度差距——ATSS 论文笔记
weixin_42384432的博客
07-16 526
ATSS 论文笔记 作者：Shifeng Zhang, Cheng Chi, Yongqiang Yao, Zhen Lei , Stan Z. Li 论文地址：https://arxiv.org/pdf/1912.02424.pdf 这篇文章主要是解决检测问题中如何标注正负样本的问题。 Introduce 对于目标检测网络中的标注正负样本的问题，当前主要有两种方法，一是像Faster-RCNN、RetinaNet等anchor-base的网络，通过anchor与groundtruth之间的IoU值来决
【论文笔记】：ATSS
Activewaste
03-05 1万+
&Title Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 代码 &Summary 论文主要阐述了对于正负样本的定义和选取对模型最终效果的影响。 首先是对比了anchor_free和anchor_base在选取样本时...
目标检测之ATSS介绍
热门推荐
xuzz_498100208的博客
12-01 1万+
这篇论文可以说是2020上半年目标检测最具有价值的文章之一了。直接揭露除了anchor 和anchor free类算法本质的区别，同时提出了一种筛选正负样本的方法，基于ATSS加成的RetinaNet直接吊打众多twostage网络
目标检测综述学习笔记
菜鸟中的菜中菜的博客
09-11 1252
一、 目标检测两个分支，two-stage和one-stage算法 two-stage算法主要是RCNN系列，，包括RCNN, Fast-RCNN，Faster-RCNN，其中RCNN和Fast-RCNN之间过渡了一个SPPNet。之后在Faster-RCNN框架的基础上，又出现了更好的backbone网络Pyramid Networks。之后的Mask-RCNN融合了Faster-RCNN架构、ResNet和FPN（Feature Pyramid Networks）backbone，以及FCN里的se
ATSS论文解读
ckqsars的博客
12-30 6326
ATSS论文解读链接文章创新点详细解读合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 链接 论文地址：Bridging the ...
目标检测算法——ATSS
weixin_43489950的博客
09-28 408
https://blog.csdn.net/qq_41375609/article/details/98499442
ATSS论文完全解读
lt1103725556的博客
05-18 1528
结论： （1）anchor free的FCOS与anchor-based的RetinaNet的本质区别是正/负样本的选择方式不同，且还有改进空间，改进方法即ATSS （2）在已经使用了ATSS的前提下，feature map上一个点对应多少个anchor就影响不大了 FCOS和RetinaNet的主要区别 （1）feature map上每个点对应的anchor数量不同 FCOS的feature map上一个点对应一个anchor RetinaNet的一个点对应9个anchor（3种scale、3种rati
目标检测 | ATSS：自适应选择正负样本，消除Anchor-based和Anchor-free算法之间的性能差异...
AI算法修炼营的博客
06-07 2131
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达论文地址：https://arxiv.org/pdf/1912.02424.pdf代码地址：https://githu...
（五）论文阅读 | 目标检测之Libra R-CNN
Skies_的博客
03-04 725
CVPR2019 | 目标检测之Libra R-CNN
ATSS论文阅读笔记
qq_62679853的博客
08-10 544
论文笔记
使用detectron2训练微软DynamicHead：目标检测实战指南
"这篇教程是关于如何使用Detectron2框架训练微软最新的动态头部检测模型（dyhead），该模型属于目标检测领域的最新先进方法。通过详细步骤，指导用户在PyTorch环境中配置和训练自己的数据集。教程涵盖了安装...
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

打赏作者

wait a minutes

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