【目标检测--tricks】FPN和PAN

最新推荐文章于 2024-03-23 16:09:51 发布
最新推荐文章于 2024-03-23 16:09:51 发布
阅读量1w 收藏 22
点赞数 1
分类专栏： 目标检测 文章标签： 深度学习 目标检测
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_40373651/article/details/121482491
版权
本文详细介绍了FPN（Feature Pyramid Network）结构，它是利用CNN模型的多尺度特征来生成多维度特征表达，常用于目标检测和语义分割任务。随后，文章探讨了PAN（PANet）结构，它在FPN的基础上增加了下采样融合的特征金字塔，通过shortcut操作进一步提升特征表达能力。PAN的实现代码展示了如何构建这一网络层次。
摘要由CSDN通过智能技术生成

一、FPN结构

FPN结构图：
在这里插入图片描述FPN通过利用常规CNN模型内部从底至上各个层对同一scale图片不同维度的特征表达结构，提出了一种克有效在单一图片视图下生成对其的多维度特征表达的方式。它可以有效地赋能常规CNN模型，从而可以生成出表达能力更强地feature maps以供下一阶段计算机视觉任务（如object detection/semantic segmentation等）来使用。本质上说它是一种加强主干网络CNN特征表达的方法。

二、PAN结构

PAN即PANet，结构图如下：
在这里插入图片描述简答来说，就是在FPN上采样融合的特征金字塔之后，又增加了一个下采样融合的特征金字塔。原版的PAN，最后采用下采样融合时使用的是shortcut操作而不是YOLOV4中的concat操作。PAN代码如下：

class PAN(nn.Module):
    def __init__(self, planes):
        super
最低0.47元/天 解锁文章
【目标检测-YOLO】博客阅读：Introduction to the YOLO Family
博观约取，厚积薄发
04-07 1875
介绍YOLO家族 目标检测是计算机视觉研究的重要课题之一。大多数计算机视觉问题都涉及到检测视觉对象类别，如行人、汽车、公共汽车、人脸等。这一领域不仅局限于学术界，而且在视频监控、医疗保健、车载传感和自动驾驶等领域具有潜在的现实商业用例。 许多用例，特别是自主驾驶，都要求高精度和实时推理速度。因此，选择一个对象检测器，适合的速度和准确性成为必不可少的法案。YOLO (You Only Look Once)是一个单级对象检测器，用于实现两个目标(即速度和准确性)。今天，我们将通过涵盖所有YOLO变体(如
目标检测YOLO实战应用案例100讲-基于改进目标检测的小麦麦穗识别（续）
qq_36130719的博客
09-16 181
图4.27是改进后的是YOLOv4模型的预测效果图，从图中明显可以看出改进后的模型对图像目标的检测基本比较完整，基本的大目标都能检测出来，达到了目标检 测的基本要求，且预测框置信度普遍有所提高，但是对于小目标和部分重叠的目标的 检测还有待改进，还是有个别目标检测不出来。总体结合来看，改进模型不论是在检 测速度上还是检测精度上面表现效果都是最好的，后续可以针对小目标和重叠目标的 检测做针对性的改进，提升模型的检测能力。
FPN和PAN的内容及区别（修改版1.2）
G_Shengn的博客
05-08 1万+
FPN和PAN都是用于解决在目标检测中特征金字塔网络(FPN)在多尺度检测任务上的不足的方法。下面分别详细介绍一下它们的原理和区别。
目标检测Neck：FPN（Feature Pyramid Network）与PAN（附torch代码）
猛码Memmat
09-19 1435
neck
深度学习之FPN和PAN
UHL1107的博客
04-29 1万+
注：借鉴整理，仅供自学，侵删 FPN是自顶向下，将高层的强语义特征传递下来，对整个金字塔进行增强，不过只增强了语义信息，对定位信息没有传递。PAN就是针对这一点，在FPN的后面添加一个自底向上的金字塔，对FPN补充，将低层的强定位特征传递上去，又被称之为“双塔战术”。 FPN（feature pyramid networks）算法讲解 PANet简单笔记 ...
深度学习之FPN+PAN
weixin_43998635的博客
12-02 6214
FPN+PAN
FPN+PAN结构,SPP结构
highoooo的博客
09-03 1万+
FPN 高维度向低维度传递语义信息（大目标更明确） PAN 低维度向高维度再传递一次语义信息（小目标也更明确）
一文讲清楚FPN+PAN结构、SPP结构
thequitesunshine007的博客
12-20 8931
FPN 高维度向低维度传递语义信息（大目标更明确）PAN 低维度向高维度再传递一次语义信息（小目标也更明确）深层的feature map携带有更强的语义特征，较弱的定位信息。而浅层的feature map携带有较强的位置信息，和较弱的语义特征。FPN就是把深层的语义特征传到浅层，从而增强多个尺度上的语义表达。而PAN则相反把浅层的定位信息传导到深层，增强多个尺度上的定位能力。
提升目标检测模型性能的tricks
填坑
03-13 8398
提升目标检测模型性能的tricksbag of freebiespixel-wise调整几何畸变光照变化遮挡Random EraseCutOutHide-and-SeekGrid Mask正则DropoutDropConnectDropBlock用多张图来进行增强MixupCutMixMosaic数据增强GAN——Style Transfer GAN数据分布不平衡两阶段Hard Negative Example MiningOnline Hard Example Mining单阶段——Focal losso
从R-CNN到Faster-RCNN再到YOLOV5，目标检测网络发展概述
weixin_48799576的博客
09-06 5907
目标检测任务是找出图像或视频中人们感兴趣的物体，并同时检测出它们的位置和大小。不同于图像分类任务，目标检测不仅要解决分类问题，还要解决定位问题。这里对目标检测模型从R-CNN到YOLOV5进行了系统的总结。
FPN_Tensorflow：FPN检测框架的Tensorflow实现
02-06
用于目标检测的特征金字塔网络 推荐FPN的改进版本： : FPN检测框架的Tensorflow实现。 您可以参考论文《 基于FPN参考 ， 和和旋转检测方法如果对您有用，请加注星标以支持我的工作。 谢谢。 配置环境 ubuntu（在Windows上可能会出现编码问题）+ python2 + tensorflow1.2 + cv2 + cuda8.0 + GeForce GTX 1080 您还可以使用docker环境，命令：docker pull yangxue2docker / tensorflow3_gpu_cv2_sshd：v1.0 安装 克隆存储库 git clone https:/
FPN+PAN结构学习
热门推荐
爱CV
12-20 4万+
yolo4的neck结构采用该模式，我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。 如图所示，FPN是自顶向下的，将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。 和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数
FPN和PAN
最新发布
qq_54406261的博客
03-23 187
FPN的构建方式是从高分辨率的特征图开始向下采样，同时从低分辨率的特征图开始向上采样，将它们连接起来形成金字塔。在这个过程中，每一层特征图的信息都会与上下相邻层的特征图融合，这样可以使得高层特征图中的目标信息得以保留，同时低层特征图中的背景信息也可以被高层特征图所补充。经过这样的处理，FPN可以提高模型在多尺度检测任务上的精度，同时还可以在不影响检测速度的情况下提高检测速度。
图像语义分割论文（五）金字塔 FPN，PAN，......
DONG_LIN_2019的博客
02-19 1711
def FPN_s(inputs, stage_chal=(116, 232, 464), is_training=True): C3, C4, C5 = inputs P5 = Conv2D_BN_ReLU(C5, stage_chal[2], 256, 1, 1, act_type="relu", is_training=is_training) print(P5) P4_1 = Conv2D_BN_ReLU(C4, stage_chal[1], 256, ...
目标检测 - Neck的设计 PAN（Path Aggregation Network）
二分掌柜的
12-03 1万+
PAN（Path Aggregation Network） 目标检测器的构成 1. Input：Image，Patches，ImagePyramid 2. Backbones：VGG16，ResNet（ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152），SpineNet，EfficientNet-B0/B7，CSPResNeXt50，CSPDarknet53，MobileNet（v1、v2、v3），ShuffleNet（v1、v2） 3. Neck：
算法笔记(六)多尺度特征融合之FPN/PANet
sleepinghm的博客
09-22 1万+
前言 最近论文快deadline了，一直没空更新…今天复习一下多尺度特征融合的常用模型。 FPN 特征金字塔 论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144 思路： 底层的特征语义信息比较少，但是目标位置准确。 高层的特征语义信息比较丰富，但是目标位置比较粗略。 ...
FPN、PAN在计算机视觉（CV）领域的意思
沉醉于风中的博客
11-06 4492
FPN：Feature Pyramid Network的首字母缩写，即特征金字塔网络的意思； PAN：Pixel Aggregation Network的首字母缩写，即像素聚合网络的意思；
各种FPN：PANet、ASFF、NAS-FPN、BiFPN、Recursive-FPN...
W1995S的博客
06-18 3万+
早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。 由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooling去掉或者将stri
transformer-xl小tricks
08-03
这些小技巧旨在提高模型的效率和性能。其中一项技巧是使用多个损失函数来改善模型的训练速度和性能。另外，Transformer-XL还增加了更多的层来提高模型的表现，最多可以达到64层。相比之下，传统的Vanilla ...
评论 6
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