【论文笔记】：Cascade RetinaNet

最新推荐文章于 2022-04-01 01:07:01 发布
最新推荐文章于 2022-04-01 01:07:01 发布
阅读量999 收藏 3
点赞数 1
分类专栏： # 其他 # 特征层面 文章标签： 计算机视觉
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_41375609/article/details/105193028
版权
Cascade RetinaNet通过逐步增加IoU阈值改善分类置信度，采用FCM网络解决不同阶段特征不一致性，提高了RetinaNet的性能和定位准确性。
摘要由CSDN通过智能技术生成

&Title

在这里插入图片描述

&Summary：

Motivation
作者认为RetinaNet天真的直接将相同设置的多级串联在一起是没有多大收获，主要是类别的置信度和坐标之间的错误联系，以及不同Stage之间的FeatureMap的联系发生变化。因此，提出Cascade RetinaNet。感觉就得是采用Cascade R-CNN的方法应用在Retina Net 上，再加了点自己的FCM网络。

Contributions

  • 探讨
最低0.47元/天 解锁文章
Activewaste
关注
专栏目录
[论文解读]ICCV2019|Cascade RetinaNet: Maintaining Consistency for Single-Stage Object Detection
一碗白开水一
10-09 879
题目：Cascade RetinaNet:Maintaining Consistency for Single-Stage Object Detection 作者：HongKai Zhang; Hong Chang;BingPeng Ma等 Motivation: 作者认为RetinaNet天真的直接将相同设置的多级串联在一起是没有多大收获，主要是类别的置信度和坐标之间的错误联系，以及不同Stag...
Cascade RetinaNet 论文学习
calvinpaean的博客
12-16 1300
论文地址：https://arxiv.org/abs/1907.06881v1 Abstract 最近很多研究都在尝试通过级联的方式来提升单阶段目标检测器的检测性能。在这篇论文中，作者分析并发现不一致性是制约此类模型表现的一个主要因素。这些模型将优化后的 anchors（预测边框） 和之前位置提取的特征联系起来，造成分类与定位无法对齐。作者针对级联方式提出了两个设计规则：提高分类置信度和定位表现的...
cascaded_mobilenet-v2
11-30
联MobileNet-V2实现CelebA人脸关键点检测（附训练源码）
CascadeTabNet:该存储库包含CascadeTabNet论文“ CascadeTabNet”的代码和实现细节。
03-19
级联表网 CascadeTabNet：一种从基于图像的文档进行端到端表检测和结构识别的方法 ， ， ， ， 该论文在发表（口头）虚拟口头演示 1.简介 CascadTabNet是一种自动的表格识别方法，用于解释文档图像中的表格数据。我们提出了一种改进的基于深度学习的端到端方法，用于解决使用单个卷积神经网络（CNN）模型的表检测和结构识别问题。 CascadeTabNet是基于级联蒙版区域的CNN高分辨率网络（级联蒙版R-CNN HRNet）的模型，该模型检测表的区域并同时从检测到的表中识别结构体单元。我们在ICDAR 2013，ICDAR 2019和TableBank公共数据集上评估结果。我们在ICDAR 2019比赛后结果中排名第三，用于表检测，同时获得ICDAR 2013和TableBank数据集的最佳准确性结果。我们还在ICDAR 2019表格结构识别数据集上获得了最高准确
RetinaNet论文理解
JustForYou的博客
10-24 4万+
paper：Focal Loss for Dense Object Detection link：RetinaNet 引言 目前精度最高的目标检测器都是基于R-CNN结构衍生出来的two-stage目标检测方法，相反one-stage的探测器应用于目标可能位置的密集采样中，具有更快更简单的特点但是精度落后two-stage的检测器；在本文的研究中发现造成这种情况的核心问题是密集检测器在训练过程中...
RetinaNet 论文笔记
qq_30146937的博客
02-15 555
前言 现在的目标检测算法主要可以分为两类： two-stage，比如Fast R-CNN，Faster R-CNN，Mask R-CNN。它们首先生成一系列稀疏的候选区域，然后用CNN对每个候选区域进行分类，判断它们是属于前景中的某个类别，还是属于背景。现在这一类方法可以达到很高的精度，但是速度略有不足。 one-stage，比如YOLO和SSD。它们对目标的位置、尺度和长宽比进行规则的密集的采...
【论文笔记】：FPN
Activewaste
07-11 577
Title Feature Pyramid Networks for Object Detection Summary 文章的思想比较简单，主要是利用特征金字塔对不同层次的特征进行尺度变化后，再进行信息融合，从而可以提取到比较低层的信息，也就是相对顶层特征来说更加详细的信息。顶层特征在不断地卷积池化过程中可能忽略了小物体的一些信息，特征金字塔通过不同层次的特征融合，使得小物体的信息也能够比较完整地...
【论文笔记】：Side-Aware Boundary Localization for More Precise Object Detection
Activewaste
04-21 1203
&Title Side-Aware Boundary Localization for More Precise Object Detection 代码 &Summary 本文提出Side-Aware Boundary Localization(SABL)以取代传统的bbox回归。提取关注于边界内容的边缘感知特征用来定位。提出使用该特征的轻量级two-step bucketi...
《Sparse R-CNN：End-to-End Object Detection with Learnable Proposals》论文笔记
m_buddy的博客
04-01 309
参考代码：SparseR-CNN 1. 概述 介绍：这篇文章在目标检测领域中提出了一种比较新颖的思路
【论文笔记】：Learning Rich Features at High-Speed for Single-Shot Object Detection
Activewaste
02-16 2144
&Title: ICCV 2019 Learning Rich Features at High-Speed for Single-Shot Object Detection 代码 &Summary 作者设计了一个one-stage检测框架，它结合了微调预训练模型和从零开始训练的优点。该框架包括一个预训练过的标准backbone网络，一个轻量级的从零开始训练的辅助网络。此外，...
【常用检测框架】DetNet/Casecade RCNN/FCOS/RetinaNet
qq_43257640的博客
04-23 1170
DetNet 在DetNet提出之前，检测框架的backbone一般都是用分类框架，或在上面稍加改动。分类框架用于检测有以下几个缺点： 1、stage(不同尺度的特征图，用于多尺度检测)少，只能自己加，但没有相应的预训练的权重。 2、downsample丢失信息严重。分类框架只需要预测类别，相比检测容许丢失更多的信息。 detNet在resNet50的基础上作改进。改动部分为con4_x（stag...
RetinaNet阅读笔记
watermelon1123的博客
03-25 680
《Focal Loss for Dense Object Detection》是Facebook AI 2017年提出的论文，这篇文章的贡献我觉得主要有两点： 提出了one-stage 目标检测模型RetinaNet 探究了one-state目标检测的类别失衡问题，并针对该问题提出了Focal Loss 类别失衡 为什么two-stage目标检测强于one-stage In this p...
【实验】COCO数据集上的实验
FSALICEALEX的博客
08-21 3215
1.MMdetection上的实验 1.1 cascade_rcnn_x101 CUDA_VISIBLE_DEVICES=3 python ./tools/test.py ./configs/cascade_rcnn_x101_64x4d_fpn_1x.py ./checkpoints/cascade_rcnn_x101_64x4d_fpn_2x_20181218-5add321e.pth --o...
Focal Loss
热门推荐
AI之路
08-10 10万+
论文：Focal Loss for Dense Object Detection 论文链接：https://arxiv.org/abs/1708.02002 优化版的MXNet实现：https://github.com/miraclewkf/FocalLoss-MXNet RBG和Kaiming大神的新作。 我们知道object detection的算法主要可以分为两大类：two-stag...
Retinanet训练自己的数据（1）：数据准备
mingyang_wang的博客
01-04 8342
  自己之前用的模型在准确性以及实时性方面没有达到一个很好的均衡，在大佬同学的介绍下，开始转向Retinanet。 1.运行环境 运行环境：Windows10操作系统，python3.6（通过anaconda安装），tensorflow1.10，keras2.2.4。 2.数据预览   主要参考github上一篇介绍文档：https://github.com/fizyr/keras-ret...
RetinaNet——《Focal Loss for Dense Object Detection》论文翻译
PPLLO_o的博客
04-01 5892
《Focal Loss for Dense Object Detection》 摘要 迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们...
【今日CV 计算机视觉论文速览 第144期】Wed, 17 Jul 2019
TomRen
07-21 6325
第144期 视觉论文速览 --残差金字塔深度估计 --通道，空间特征提升模块 --感知评价 --动作数据集Kinetics-700 --细粒度食物数据集Foodx-251 --场景文字合成渲染
Cascade RPN，结构的艺术带来极致提升 | NeurIPS 2019
AI科技大本营
01-13 1791
作者 | VincentLee来源 |晓飞的算法工程笔记（ID: gh_084c810bc839）导读：论文提出Cascade RPN算法来提升RPN模块的性能，该算法重点解决了RPN...
Hibernate框架深度解析： Cascade-hibernate讲座
在"解决之道—Cascade-hibernate经典讲座"中，主要讨论了Hibernate的级联操作（Cascade）及其在数据管理中的应用。 级联操作是Hibernate中一个关键特性，它定义了一个实体对象的保存、更新或删除操作对关联实体的...
评论 1
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