retinanet网络模型结构

最新推荐文章于 2023-01-04 18:30:22 发布
最新推荐文章于 2023-01-04 18:30:22 发布
阅读量2.1k 收藏
点赞数
分类专栏： 深度学习 文章标签： retinanet网络模型结构 retinanet
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_36401512/article/details/102729172
版权

ps：现在忙了好多，没时间更新博客了．现在我就简单直观得讲下retinanet网络模型结构．

网上超多的博客的retinanet的结构只是放了如下：

这里面的(a)和(b)之间的结构还是比较直观的也能理解（最多实际过程中FPN的输出层数变化会有偏差），但是(b)和(c),(d)之间看起来比较明确，但是对于最开始作为初学者的我存在这样的想法如果一个FPN输出的一个层后面会有W*H*KA和W*H*4A两个输出，那么如图上3个层，那不是要分别有三个W*H*KA和W*H*4A共６个输出，之后求loss要写六个么？

后来一步步调试了代码再看时发现，其实只有两个输出如图中FPN的输出层数是三层时是 

(W0*H0+W1*H1+W2*H2)*KA和(W0*H0+W1*H1+W2*H2)*4A

也就是将多维矩阵的结果resize到2维然后拼接起来．

镜中隐
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Retinanet训练自己的数据（3）：模型训练
mingyang_wang的博客
01-07 5438
  准备好数据以及模型正确安装之后，就可以就行模型训练了。   定位到模型所在的文件夹，老办法，打开powershell，在命令行输入：（这里的命令只适用于自己的训练集，对于Pascal或者coco数据集，请参见官方文档） python keras_retinanet/bin/train.py csv /path/to/csv/file/containing/annotations /p...
深度学习之目标检测（五）-- RetinaNet网络结构详解
热门推荐
木卯_THU的博客
08-17 3万+
深度学习之目标检测（五）-- RetinaNet网络结构详解深度学习之目标检测（五）RetinaNet网络结构详解1. RetinaNet1.1 backbone 部分1.2 预测器部分1.3 正负样本匹配1.4 损失计算2. Focal Loss2.1 Cross Entropy Loss2.2 Balanced Cross Entropy2.3 Focal Loss 深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎
【论文解读】一文详解RetinaNet | ＜Focal Loss for Dense Object Detection＞|源码详解 多类别focal loss
熊猫小妖的AI世界
01-04 2616
目标识别有两大经典结构: 第一类是以Faster RCNN为代表的二阶段识别方法，这种结构的第一阶段专注于proposal的提取，第二阶段则对提取出的proposal进行分类和精确坐标回归。二阶段结构准确度较高，但因为第二阶段需要单独对每个proposal进行分类/回归，速度就打了折扣；目标识别的第二类结构是以YOLO和SSD为代表的单阶段结构，它们摒弃了提取proposal的过程，只用一级就完成了识别/回归，虽然速度较快但准确率远远比不上两级结构。那有没有办法在单阶段结构中也能实现较高的准确度呢？
RetinaNet论文总结（Focal Loss）
上个大学哪有不疯的？硬撑罢了！
11-09 2821
RetinaNet在2017年提出，是一个里程碑性质的模型。在目标检测领域，作为一个one-stage网络，它首次超过了当时流行的two-stage模型。RetinaNet在模型方面没有颠覆性的创新，使之超越当时流行目标检测模型的原因是提出了新颖的loss计算方式：Focal Loss
目标检测算法SSD和Retina原理简介
09-23 393
目标检测、语义分割、深度估计、超分辨率、CNN、GAN、目标跟踪、竞赛解决方案、人脸识别、数据增广、人脸检测、数据集、图像分割、SLAM、实例分割、人体姿态估计、视频目标分割、Re-ID、医学图像分割、显著性目标检测、自动驾驶、人群密度估计、PyTorch、人脸、车道线检测、去雾 、全景分割、行人检测、文本检测、OCR 边缘检测、场景文本检测、视频实例分割、模型压缩、人脸对齐、超分辨、去噪、强化学习、行为识别、OpenCV、场景文本识别、去雨、机器学习。同faster RCNN。用于候选框的【类别预测】，
【技术文档】RetinaNet
认真写的博客
12-18 465
RetinaNet的特点就是应用了FocalLoss。该模型大小为80M。 数据 读取 我使用的数据是依然是crowdhuman，将其整理成VOC格式，也就是图片路径放入一个json文件，标注放到一个标注文件。该模型并没有设置背景类，若模型只检测行人这一个类的话，那么类别索引就是0，若有两个类，那么类别索引就是0,1。 annotations = np.zeros((0, 5)) for box ...
基于megengine的retinanet的目标检测模型，主干网络ResNet101
10-17
在提供的文件列表中，`ctu_params_retinanet_resnet101.json`可能包含了RetinaNet模型的参数配置信息，如网络结构、超参数设置等。而`retinanet_res101_coco_3x_800size.pkl`则可能是预训练模型的权重文件，其中包含...
基于megengine的retinanet的目标检测模型，主干网络ResNet18
10-17
MegEngine的API设计简洁，易于理解和使用，使得开发者能够快速构建和训练复杂的神经网络模型。 **RetinaNet**: RetinaNet是一种基于Focal Loss的目标检测算法，由Kaiming He等人在2017年提出。它解决了在密集物体...
基于megengine的retinanet的目标检测模型，主干网络ResNext101
10-17
总的来说，这个项目利用了MegEngine的灵活性和效率，结合RetinaNet的高效检测能力以及ResNext101的深网络结构，创建了一个能在各种场景下执行目标检测的强大模型。用户可以利用提供的预训练模型快速部署到自己的应用...
tensorflow版，Retinanet代码实现
12-28
RetinaNet是一种在2017年由Kaiming He等人提出的高效目标检测模型，它解决了传统卷积神经网络（CNN）在小目标检测上的问题，主要通过引入Focal Loss来缓解类别不平衡问题。本篇将详细讨论TensorFlow实现的RetinaNet...
pytorch-retinanet-master_RetinaNet_pytorch_pytorchcnn_python_源码
10-04
PyTorch的灵活性使得构建和训练复杂的神经网络模型变得简单，同时也便于调试和优化。 **2. RetinaNet架构** RetinaNet的核心在于其结合了两种网络结构：特征金字塔网络（Feature Pyramid Network, FPN）和焦点损失...
再谈RetinaNet
我爱计算机视觉
06-23 344
点击我爱计算机视觉标星，更快获取CVML新技术本文转载自知乎，经作者授权转载，请勿二次转载。https://zhuanlan.zhihu.com/p/68786098Paper link...
RetinaNet模型解析
bblingbbling的博客
07-01 1256
Retinanet解析意义效果概览网络简介Focal Loss公式γ\gammaγ取值的影响训练细节 意义 1.解决训练过程中foreground和background类别极度不平衡的问题； 2.解决easy和hard样本的问题。 效果概览 网络简介 1.网络组成：Resnet + FPN + 2路FCN； 2.创新点：Focal Loss； 3.anchor：3中ratio{1:2, 1:1, 2:1}和3种size{20, 21/3, 22/3}，面积从322到5212，金字塔等级[P3, P4,
学习FPN和retinanet的网络结构
墨藍的博客
12-04 1万+
 多尺度上目标识别是计算机视觉领域的一个基本挑战，解决这一挑战的基本方法就是“基于图像金字塔的特征金字塔（简称为特征图像金字塔）”，这些金字塔具有尺度不变性，可以通过扫描位置和金字塔层来检测大范围上的尺度。将图像金字塔各层提取特征的主要好处就在于产生了一个多尺度特征表示，这个表示的所有层语义很强，包括高精度的层。尽管这样，然而，对每层进行特征提取有很明显的限制，Inference time将急剧上...
目标检测4: retinanet网络focal loss分析，网络结构原理
u010397980的博客
12-18 3398
    个人理解错误难免，推荐看原文(https://arxiv.org/abs/1708.02002)     作者首先提出了一个问题：在目标检测中，one stage效果较差于two stage的主要原因是：one stage在训练时样本比例不均衡(比如上面的yolov3，在训练时要生成3*13*13 + 3*26*26 + 3*52*52 = 10647个box，但这些box中真正有物体的...
Retinanet 网络结构
衣带渐宽人憔悴
02-24 850
Retinanet网络结构
qq_43703185的博客
09-07 655
keras-retinanet 用自己的数据集训练
RCNN
09-06 2636
首先制作自己的数据集：将自己的数据集转换成VOC2007格式，再把VOC2007转化成CSV格式。 首先将自己的数据集转换成VOC2007格式的数据集：https://blog.csdn.net/u012426298/article/details/80334292 再将VOC2007格式的数据集转化为CSV：https://blog.csdn.net/u012426298/article/d...
CNN结构：用于检测的CNN结构进化-结合式方法
wishchinYang的专栏
08-21 4576
类别失衡是影响 one-stage 检测器准确度的主要原因。那么，如果能将“类别失衡”这个因素解决掉，one-stage 不就能达到比较高的识别精度了吗？ 何凯明团队采用 Focal Loss 函数 来消除这个主要障碍。 该团队设计并训练了一个简单的密集目标检测器—RetinaNet，是由一个骨干网络和两个特定任务子网组成的单一网络，骨干网络负责在整个输入图像上计算卷积特征图，并且是一个现成的卷积网络。 第一个子网在骨干网络的输出上执行卷积对象分类；第二个子网执行卷积边界框回归。
RETINANET模型结构
最新发布
05-23
RetinaNet的结构主要包含一个骨干网络和两个分支网络。 骨干网络通常使用ResNet等常见的卷积神经网络，用于提取输入图像的特征。这些特征将被送入两个分支网络，分别用于对物体进行分类和定位。 第一个分支网络是...
评论 3
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