【论文笔记】：RepPoints: Point Set Representation for Object Detection

最新推荐文章于 2025-01-11 10:38:53 发布
原创 最新推荐文章于 2025-01-11 10:38:53 发布 · 7.7k 阅读 · 23 ·
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。
文章标签：

#RepPiont

RepPoints是一种新型的表示方法，用于对象检测，提供更精细的定位并辅助分类。它采用一组自适应定位的目标点，通过与边界框的损失函数一起训练，学习目标的关键区域。这种方法无需锚点，且利用可变形卷积网络（DCN）学习目标的自适应关键点。RepPoints在实验中展现出与基于锚点的方法竞争的检测性能，解决了之前方法的可解释性和调参问题。

&Title:

&Summary

提出了一种新的表示形式，称为RepPoints，它提供了更细粒度的定位并有助于分类。 如图所示，RepPoints是一组点，这些点学会以一种限定对象空间范围并指示语义上重要的局部区域的方式自适应地将自己定位在目标上。 RepPoint的训练是由目标定位和识别目标共同驱动的，因此RepPoint被地面真相边界框紧密约束，并引导检测器进行正确的对象分类。 可以在现代物体检测器的不同阶段上连贯地使用这种自适应和可区分的表示形式，并且不需要使用锚点在包围盒的空间上进行采样。
在这里插入图片描述
RepPoints利用DCN提取到了目标本身的多个关键点，文中选取了9个可以自适应“跳动”的采样点（初始采样点应该就是3x3卷积的9个采样点？？），由分类和定位统一做监督，使得这些点更好的包含语义信息，来识别，最终定位一个目标。

&Research Objective

anchor-free + DCN取点预测

&Problem Statement

  • 之前的可变性卷积难以解释，偏移量的学习自由

最低0.47元/天 解锁文章
Anchor-free目标检测系列8：RepPoints：Point Set Representation for Object Detection（可变形卷积提取Offset关键点）
Sesen的木屋
08-12 2025
RepPoints：Point Set Representation for Object Detection （2019.4.25） 论文由清北和微软联合提出，RepPoints将可变形卷积进行灵活使用，定位目标的一些值得注意的点（representative point）。通过目标的这些点进行bbox编码，得到目标预测框。Rep...
论文阅读：RepPoints: Point Set Representation for Object Detection
j879159541的博客
10-15 1834
文章目录1、论文总述 2、Bounding boxes for the object detection流行的2个原因和它的缺点 3、为什么 the deformable convolution and deformable RoI pooling不能学到更精确的几何定位特征 4、Converting RepPoints to bounding box时的三种方式 5、关键点是自动学得的 6、 C...
[阅读笔记] RepPoints: Point Set Representation for Object Detection
qq_27489699的博客
11-27 311
Baseline detector based on bounding box representations: 把上面两个预测offset的部分改成普通的预测location（其实就是换个输出）。DCN换成RoIAlignmethod using 3 × 3 grid points。 对the first set of RepPoints的监督的消融实验。loc的监督作用巨大，loc和reg一起结果更好（我觉得严格地说其实这里面是一个调下比例看看的）。 我认为这里的对比不完全公...
RepPoints: Point Set Representation for Object Detection解读
Burtan的专栏
06-13 1783
摘要 现代的检测器很依赖矩形框bbox，比如anchors,proposals和final predictions，呈现在不同的识别阶段里。bbox虽然很方便，但它只能提供粗糙的目标定位和特征提取。 注：final predictions如何理解呢，在引言里说了from anchors and proposals to final predictions，就很明白了，它的意思是最终的输出结果。 为什么bbox只是提供粗糙的目标定位和特征提取呢？文章的后面简单的说明了，bbox只是提取了4个边界点，并
目标检测: Point Set Representation for Object Detection
LittleGreyWing的博客
10-21 485
RepPoints论文阅读 摘要 摘要中提到了这个新方法是通过一些样本点来做到很好的既能定位又能识别的作用。 1.简介 bounding boxes的传统做法只能提供粗糙的定位，不能确定物体的形状、姿态。因此框框可能受背景影响很大或者目标如果包含较少或者不均衡的信息时也会降低准确度。 RepPoints是一组点，这些点学会自适应地将自己以划定物体边界范围的方式来定位，并且指示出语义的重要局部区域。 2.相关工作 bounding boxes在目标检测中目前占很重地位，标注时的bounding box
【论文阅读】【二维目标检测】RepPoints: Point Set Representation for Object Detection
麒麒哈尔的博客
11-01 1683
为什么不单独测试两组reppoints， 与上一篇的对比，说是在abalation study一样的那个 init center——》box，与yolo什么关系 init box——》reppoints是怎么操作的 Appendix中的reppoint没解释清楚啊。 ...
RepPoints：Point Set Representation for Object Detection
qq_33326349的博客
12-15 583
原文链接 目前大多数的目标检测器都依赖于矩形的目标框，去表示在不同识别阶段的目标。使用bb是非常方便的，但是只能粗略的对目标进行定位，并且挖掘出来的相应的特征也是粗略的。在本文中，作者提出了代表点（RepPoints），将一系列样本点用于物体定位和识别。通过训练对gt进行定位并识别目标。RepPoints学习自动的安排自己，以限制目标的空间区域范围和表示语义上的重要局部区域。不需要anchor来采...
RepPoints: Point Set Representation for Object Detection—用于目标检测的点集表示
最新发布
xiaoxu的博客
01-11 1384
现代的目标检测器在很大程度上依赖于矩形边界框，如锚，建议和最终预测，以表示在各个识别阶段的对象。边界框使用方便，但仅提供对象的粗略定位，并导致对象特征的相应粗略提取。在本文中，我们提出了RepPoints（代表点），一个新的更精细的表示对象作为一组样本点有用的本地化和识别。给定用于训练的地面实况定位和识别目标，RepPoint学习以限制对象的空间范围并指示语义上重要的局部区域的方式自动排列自己。此外，它们不需要使用锚来对边界框的空间进行采样。
Reppoints
xiaochengJF的博客
11-08 636
论文：RepPoints: Point Set Representation for Object Detection 参考文献 【1】目标检测论文阅读：RepPoints(Anchor Free)
【RepPoints】RepPoints: Point Set Representation for Object Detection 译读笔记
墨门
01-13 619
现今的目标检测器严重依赖矩形边界框，例如在各个识别阶段使用锚点、建议框和最终预测来表示目标。边界框使用方便，但仅提提供目标的粗略位置，会导致相应目标特征的提取不够精细。本文提出了RepPoints（representative points），一种全新的更加精细的目标表示，作为一组样本点用于定位和识别。在训练时给定识别目标的真实位置，RepPoints学习表征点的排布方式，该方式会限制在目标的空间范围内，并指示出具有语义信息的重要局部区域。此外，表针点不需要使用anchors来对边界框（分布）空间采样。
RepPointsV2
03-19
RepPoints V2：验证符合回归以进行对象检测 ，，，，，。 我们提供了受支持的代码和配置文件，以在COCO对象检测和实例分段上重现 。此外，此存储库还包括 ， （V1，V2）的改进结果。我们的代码改编自 。 我们的论文已被NeurIPS 2020接受！ 介绍 验证和回归是神经网络中用于预测的两种通用方法。每种方法都有其各自的优势：验证更容易准确推断，回归更有效并且适用于连续目标变量。因此，仔细地组合它们以利用它们的好处通常是有益的。我们将验证任务引入RepPoints的本地化预测中，从而生成RepPoints v2 。 RepPoints v2旨在进行对象检测，并通过单个模型在COCO test-dev上实现了52.1 bbox mAP 。 Dense RepPoints v2旨在进行实例细分，并通过使用ResNet-50模型在COCO test-dev上实现了45.9 bbo
RepPoints: Point Set Representation for Object Detection
m0_61595251的博客
01-02 1271
时间：2019会议：ICCV作者：Ze Yang，Shaohui Liu，Han Hu，Liwei Wang，Stephen Lin①边界框检测提供粗略定位②提出RepPoints，更精细并且可以自动排列自身，无需锚框进行采样③与当前最先进的基于锚框检测一样具有精确性。
RepPointv2：使用点集合表示来做目标检测
AI公园
05-26 676
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中作者：Nabil MADALI编译：r...
（二十二）论文阅读 | 目标检测之RepPoints
Skies_的博客
06-06 1236
ICCV2019 | 目标检测之RepPoints
可变形卷积学习（RepPoints）
qq_44442727的博客
03-06 5956
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.
【目标检测】CenterNet :Objects as Points
zhw864680355的博客
05-05 1317
论文：《CenterNet :Objects as Points》 2019.4.16 论文地址：https://arxiv.org/pdf/1904.07850.pdf 代码：https://github.com/xingyizhou/CenterNet 博客原文地址： https://blog.csdn.net/jacke121/article/details/90572692?ut...
论文笔记：Bottom-up Object Detection by Grouping Extreme and Center Points (CVPR 2019)
钟灵宛清
03-13 870
【作者】 •Xingyi Zhou, UT Austin, zhouxy@cs.utexas.edu •Jiacheng Zhuo, UT Austin, jzhuo@cs.utexas.edu •Philipp Krähenbühl, UT Austin, philkr@cs.utexas.edu 【问题】 自上而下的方法多年来一直主导着物体检测。流行的物体检测器将物体检测转换为矩形区...
目标检测|新的目标表示方法RepPoints
yanghao201607030101的博客
01-12 1167
这是2019ICCV上的一篇关于目标检测表示方法的论文，提出了一种更加精准高效的表示方法RepPoints。
RepPoints论文解读
qq_38289371的博客
06-07 1741
RepPoints论文解读
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