对A MultiPath Network for Object Detection论文的理解

最新推荐文章于 2024-03-26 09:36:06 发布
最新推荐文章于 2024-03-26 09:36:06 发布
阅读量1.1k 收藏 2
点赞数 1
分类专栏： 图像分割
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_37124765/article/details/54906517
版权

本篇论文是facebook三篇论文之一，主要介绍multipathnet网络，下面是本人的一些总结。新手入坑，多多指教大笑


multipathnet网络是利用deepmask网络和sharpmask网络产生的object proposals作为输入的一部分，对其进行分类。

这个网络是对Fast R-CNN的改进，改进的点主要有三个，先来看下这两个网络的网络结构

首先是fast r-cnn

再是本论文的multipathnet











三个改进点

(1)跳跃结构
     在VGG网络里，从conv1到conv4，每层conv之后都有一次2*2的max pooling，4次max pooling之后，特征图将下采样到原先的1/16，这会导致信息的丢失。所以将具有丰富信息的较早层连接至后面的网络。
     conv3-->1x，conv4-->1x，1.5x，2x，conv5-->1x，1.5x，2x，4x
(2)中心区域
     背景信息对于小目标检测识别来说是很有用的，所以作者使用了4种不同大小的region crops，分别是1x，1.5x，2x和4x。
     在每种情况下，使用RoI Pooling技术将它们固定到相同大小。送入全连接层。
     四个输出连接成一个长向量，用于打分和框回归。
(3)积分损失函数
     Fast R-CNN里所有IoU>50%的proposals的得分是相等的，作者改进了损失函数，设置6个不同大小的IoU，分别计算得分然后求平均。这样的话，IoU越高，得分就越高。
原先的积分损失函数


改进的积分损失函数

把求得的6个预测类概率求平均
作者设置n=6，u=[50,55,60,65,70,75].（IoU增大，正样本减少）

sunsssk1
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
目标检测（十三）--MultiPathNet
工作笔记
09-12 7598
转自：http://blog.csdn.net/u011718701/article/details/53762969 略增删改 MultiPathNet A MultiPath Network for Object Detection intro: BMVC 2016. Facebook AI Research (FAIR) arxiv: http://arxiv.org/abs/160...
multipath翻译
weixin_43889128的博客
11-01 583
摘要 预测人类行为是运动规划所需的一项艰巨而关键的任务。 它在很大程度上具有挑战性，因为在现实世界领域（例如自动驾驶）中可能产生的结果具有高度不确定性和多模态集。 除了单个 MAP 轨迹预测 [1, 2]，获得未来的准确概率分布是一个积极关注的领域 [3, 4]。 我们提出了 MultiPath，它利用了一组固定的未来状态序列锚点，这些锚点对应于轨迹分布的模式。 在推理时，我们的模型预测锚点上的离散分布，并且对于每个锚点，回归锚点航路点的偏移量以及不确定性，在每个时间步产生高斯混合。 我们的模型是高效的，只
Multipath TCP与网络效率最大化
u010643777的专栏
12-11 2183
tcp窗口变化的随机微分方程
Facebook 开源项目Multipath Network安装运行(一)-----（torch安装）
weixin_34195546的博客
10-23 107
已经看过该项目的有关系列论文，今天开始安装运行跑程序。 【10/23 22:56】已经安装过torch-7，安装相关包的时候出现各种问题： image包，问题：No1.缺少相应的libjpeg和libpng，stackoverflow上好多同样的问题，但一直没有解决，经过多次的google，终于找到解决办法，其实很简单，就只缺少相应的包而已 ，详情见http://askubuntu.com/q...
multipath多路径实验-构建iSCSI模拟环境
a568804062的博客
07-24 1882
工作需要配置多路径但是自己又没有搞过，所以搭建环境学习一下过程，这样以后操作感觉会踏实点。本着学习的心态，在虚拟环境下模拟，来做一个多路径的实验。 本文主要描述使用iscsi模拟存储划出的1个LUN，最终由两条链路连接到主机，显示为两个磁盘的场景。为后续配置multipath提供前置环境。 •1.模拟主机环境 •2.准备软件环境 •3.模拟存储加盘 •4.配置iSCSI服务端 •5.配置iSCSI客户端 1.模拟主机环境 首先虚拟出两个linux服务器，用作搭建iSCSI服务器跟客户端。每台服务器一共三块网
【每日一网】Day20：A MultiPath Network for Object Detection（MPN）简单理解
dudu199806的博客
01-02 303
A MultiPath Network for Object Detection 算法背景 作者改进了目标检测的方法，相比ss算法的fast RCNN，将实验效果进一步提升了66%，在小物体上提高了4倍。主要进行了如下改进 1、使用跨层链接融合了多层的信息 2、使用foveal structure考虑了物体的上下文信息 3、使用积分loss函数，提高了位置的精准度 算法流程 传统目标检测的主要流程是，提取Region proposal，利用cnn进行proposal的分类和边界框回归。本文也沿袭了这一个过程
目标检测“A MultiPath Network for Object Detection”
cv_family_z的博客
04-15 2742
对Fast-RCNN方法做了三个小的修改：（1）检测器能够访问多层特征，（2）foveal结构多尺度提取目标上下文信息，（3）在多个IOU下优化损失函数。网络的结构如下图所示； Foveal结构 在目标识别时，上下文信息很重要，为了增加上下文信息，作者增加了4个裁切，即分别对proposal的视图放大1，1.5，2，4倍，每种情况使用ROI-池化生成特组图，接下来的流程共享相同的结构，之后将4个
论文笔记 A MultiPath Network for Object Detection
xiaoxiang_AQ 的博客
08-31 1980
Facebook一起开源的3个程序之一，MultiPath，其代码网址：https://github.com/facebookresearch/multipathnet。 文章简介： 这篇文章对于COCO数据集中的小目标难检测问题，主要在Fast RCNN detector的基础上进行了改进，获得了新的detector：MultiPath detector。思想上改进如下： （1）在
探索未来视觉识别：FacebookResearch的MultipathNet深度解析
最新发布
gitblog_00076的博客
03-26 261
探索未来视觉识别：FacebookResearch的MultipathNet深度解析 项目地址:https://gitcode.com/facebookresearch/multipathnet MultipathNet是由FacebookResearch开发的一个开源深度学习模型，其主要目标是提升计算机视觉任务中的物体检测和场景理解能力。通过利用多路径架构，MultipathNet能够更高效地捕...
A MultiPath Network for Object Detection
南有乔木NTU的博客
01-14 2296
A MultiPath Network for Object Detection论文地址Introduce本篇论文是Facebook AI的工作，作者改进了目标检测的方法，在COCO数据集上进行实验，相比Seletive Search方法的fast R-CNN，将实验效果进一步提升了66%，在小物体上提高了4倍。作者的改进主要在以下三点： 使用skip connections 融合多层的信息。 使用
人工智能图像分割工具MultiPathNet.zip
07-19
MultiPathNet是Facebook开源的人工智能图像分割软件，与另外两款：DeepMask、SharpMask，同时开源。三款工具相互配合完成一个完整的图像识别分割处理流程，DeepMask生成初始对象mask、SharpMask优化这些mask，最后由MultiPathNet来识别这些mask框定的物体。SharpMask目前已遵循BSD授权协议在GitHub上公开源码。环境需求：LinuxNVIDIA GPU with compute capability 3.5 标签：MultiPathNet
R-CNN系列阅读笔记(1): R-CNN
Solomon1558的专栏
12-31 1465
前言：博主目前的研究课题为“可见光遥感图像目标检测”，研究兴趣是大尺寸高分辨率遥感图像上多尺度目标及小物体检测。为了整理阅读过的文献，梳理研究思路，记录自己的理解感悟，遂开启一个“物体检测系列博客”。     R-CNN系列综述及阅读笔记主要梳理R-CNN的思想及研究进展，细分为概述性文章和论文阅读笔记。 转载请注明文章出处:  论文 Rich feature hierarchies for
【论文笔记】——LadderNet: Multi-path networks based on U-Net for medical image segmentation
jandyhan的博客
11-07 3495
原文链接：LadderNet: Multi-path networks based on U-Net for medical image segmentation 代码：LadderNet 1.介绍
Facebook的物体分割新框架研究4——MultiPathNet
u011718701的博客
12-21 2293
相关文章： Facebook的物体分割新框架研究1——写在前面 Facebook的物体分割新框架研究2——DeepMask Facebook的物体分割新框架研究3——SharpMask 二、MultiPathNet【A MultiPath Network for Object Detection.2016 BMVC】 有了DeepMask输出的
multipath多路径高可用，负载均衡配置
PlatoWG的博客
11-06 2636
1、默认配置为高可用，拷贝模板配置文件到etc，重启multipathd即可 #默认配置并不会实现负载均衡，只会实现高可用的效果 cp   /usr/share/doc/device-mapper-multipath-0.4.9/multipath.conf /etc/ 重启服务查看结果 [root@node11 ~]# multipath -ll mpatha (36001405a9...
MaskRCNN：三大基础结构DeepMask、SharpMask、MultiPathNet
alppkk4545的博客
03-22 331
MaskXRCnn俨然成为一个现阶段最成功的图像检测分割网络，关于MaskXRCnn的介绍，需要从MaskRCNN看起。 当然一个煽情的介绍可见：何恺明团队推出Mask^X R-CNN，将实例分割扩展到3000类。 MaskRCnn取得的精细结果有三个主要技术构架：DeepMask、SharpMask、M...
论文阅读笔记：LADDERNET: MULTI-PATH NETWORKS BASED ON U-NET FOR MEDICAL IMAGE SEGMENTATION
啊哦的博客
11-07 4925
LadderNet 摘要 U-Net已经在许多医学图像分割问题上提供了最先进的性能。对U-Net提出了许多修改，如attention U-Net、residual convolutional U-Net (R2-UNet)和带有剩余块或密集连接块的U-Net。然而，所有这些修改都具有带有跳过连接的编码器和解码器结构，并且信息流的路径数量有限。在本文中，我们提出一个梯子网，它可以被看作是一个多u形网...
目标检测之CNN系列
Marshall的专栏
06-20 1万+
排行榜pascal VOC:http://host.robots.ox.ac.uk:8080/leaderboard/main_bootstrap.phpcoco:http://mscoco.org/dataset/#detections-leaderboardkitti:http://www.cvlibs.net/datasets/kitti/eval_object.phpRegionlets ...
DPN（Dual Path Network）算法详解
热门推荐
AI之路
07-22 4万+
论文：Dual Path Networks 论文链接：https://arxiv.org/abs/1707.01629 代码：https://github.com/cypw/DPNs MXNet框架下可训练模型的DPN代码：https://github.com/miraclewkf/DPN 算法详解： 本篇博文要介绍的duall path networks（DPN）是颜水成老师新作，前段
action-net: multipath excitation for action recognition
09-23
### 回答1： Action-net是一种用于动作识别的多路径激励模型。它通过同时考虑多个视角和多个时间尺度的信息，提高了动作识别的准确性。模型的核心是一个多路径卷积神经网络，它可以从不同的视角和时间尺度提取特征。此外，模型还使用了一种新的激励机制，可以增强不同路径之间的信息交互，从而进一步提高了准确性。 ### 回答2： Action-Net是一个用于动作识别的多路径激发（Multipath Excitation）模型。动作识别是计算机视觉领域的一个重要任务，旨在从视频中自动识别和分类不同的动作。Action-Net通过采用多路径激发方法，提高了动作识别的准确性和性能。 多路径激发是一种模型设计技术，通过在网络架构中引入多个并行路径，每个路径分别学习不同的特征表示进行动作识别。这样的设计可以捕获到不同级别、不同尺度和不同分辨率的特征信息，提供更加全面准确的动作表示。 Action-Net利用了深度神经网络的强大表达能力，将视频输入分为多个时间段或空间尺度，并在每个时间段或空间尺度上构建不同的网络路径。每个路径在不同的时间尺度或空间分辨率上学习不同的特征表示，这些特征表示可以捕捉到动作的关键信息。 通过引入多路径激发机制，Action-Net可以同时学习到描述全局结构和细节特征的表示。此外，多路径激发还可以减轻网络在学习过程中的过拟合问题，提高了模型的泛化能力。 在实验中，Action-Net在各种动作识别任务上取得了优秀的性能。与传统的单一路径模型相比，Action-Net的准确性有了显著提升。多路径激发不仅可以用于动作识别，还可以应用于其他计算机视觉任务，如目标检测和图像分割。 综上所述，Action-Net是一种基于多路径激发的动作识别模型，通过引入多个并行路径学习不同的特征表示，提高了动作识别的准确性和性能。它具有较强的表达能力和泛化能力，在计算机视觉任务中有着广泛的应用前景。 ### 回答3： "action-net: multipath excitation for action recognition"是一种用于行为识别的多路径激励模型。 行为识别是计算机视觉中的一项重要任务，它旨在通过分析视频或图像序列来识别和理解人类的动作或行为。为了更好地解决这个问题，研究人员提出了许多方法，其中一个方法就是使用深度神经网络。 "action-net: multipath excitation for action recognition"是一种基于深度神经网络的模型，它通过多路径激励的方式来增强行为识别的性能。多路径激励是指通过引入多个并行的路径，每个路径都具有不同的特征提取能力，以捕捉不同方面的行为特征。 在"action-net"模型中，每个路径都是一个独立的卷积神经网络，这些网络在不同尺度和层次上进行特征提取。每个网络都通过激励机制来增强其对特定行为特征的敏感性。这种激励机制可以使网络在学习时集中注意力于关键的特征，提高行为识别的准确性。 通过多个路径的组合，"action-net"模型能够充分利用不同尺度和层次的特征信息，增强行为识别的鲁棒性和泛化能力。此外，多路径激励还能够有效地缓解过拟合问题，提高模型的泛化能力。 总之，"action-net: multipath excitation for action recognition"是一种基于深度神经网络的行为识别模型，通过多路径激励的方式有效地提高了行为识别的性能。它能够捕捉不同尺度和层次的行为特征，提高模型的鲁棒性和泛化能力。
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