EfficientDet-用于目标检测跨尺度特征融合可缩放网络 | CVPR2020

已于 2022-09-25 08:35:57 修改
阅读量900 收藏 2
点赞数
分类专栏： 深度学习
于 2022-09-24 16:35:32 首次发布
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_43311107/article/details/127027169
版权
EfficientDet论文提出了BiFPN模块，改进了多尺度特征融合，通过双向路径和加权融合提升效率。网络采用复合缩放方法，通过单一参数调整网络的深度、宽度和输入分辨率，实现准确率与效率的平衡。BiFPN删除无效节点，使用残差链接，并引入加权特征融合策略，以适应不同分辨率特征的融合需求。
摘要由CSDN通过智能技术生成

论文：EfficientDet: Scalable and Efficient Object Detection

创新点

  • 本篇论文基于FPN和PANet提出了一种新的BiFPN模块。该模块可以高效的实现双向跨尺度连接和加权特征融合；

  • 基于BiFPN模块提出了EfficientDet网络。该网络对于目标检测提出一种新的复合缩放方法，通过一个参数来控制网络中的其他参数。

问题

  • 在FPN中不能有效的进行多尺度特征融合，虽然后来也有一些论文研究跨尺度的特征融合，但是也只是将特征进行简单的相加并没有加以区分；

  • 作者观察到由于不同的特征具有不同的分辨率，所以它们对于特征融合的输出贡献也会不相同；

  • 在以前的目标检测中主要依靠更大的主干网络和更大的图像分辨率，但是作者观察到缩放特征网络的大小和框/类别预测网络对于正确率和效率也很重要。

方法

BiFPN

在这里插入图片描述
删除仅有一个输入节点： 当一个节点只有一个输入而没有特征融合时那么它对于整个融合特征模块是没有帮助的，删除节点还有助于下降参数了；

残差链接：

最低0.47元/天 解锁文章
小米5027
关注
专栏目录
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-目标检测（论文篇五）
qq_36130719的博客
04-15 1760
检测的图像，首先设置输入网络大小，然后将滑动窗口按照一定步长对图像进行滑动，微小的卷积神经网络，其使用卷积核在卷积神经网络中对输入图像信息进行卷积处理，传统行人检测技术进行分析，然后介绍基于深度学习行人检测算法，为后续行人检测。出，能够很好的描述行人的边缘，因此广泛应用于行人检测。的静态图像，往往采用梯度直方图方法获取行人图像的局部特征信息，然后计算所有。个单元格的特征将以不同的结果出现在最后的向量中，所有的小单元特征信息将构成。目的成果，使得行人检测检测技术成为基于深度学习目标检测领域的研究热点。
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
01-09 8777
Paper之EfficientDet: 《Scalable and Efficient Object Detection—可扩展和高效的目标检测》的翻译及其解读 导读：2019年11月21日，谷歌大脑团队发布了论文 EfficientDet: Scalable and Efficient Object Detection。 Google Brain 团队的三位 Auto ML 大佬 Ming...
MINet:CVPR2020，用于显着目标检测的多尺度交互式网络
03-08
用于显着目标检测的多尺度交互式网络 CVPR 2020。 无：有关本文的后续更新，请参见arixv版本。 变更日志 代码和实验结果现已发布 :grinning_face_with_smiling_eyes: 。 2021/1/18： 修复SIM卡模块的形式： : 2020/12/08： 简化代码结构。 将简单版本添加到simpler分支中，但是我没有时间对其进行测试。 因此，如果发现任何错误，就可以创建一个问题。 添加预提交钩子以在提交之前格式化代码。 2020/7/23： 改进和简化项目的配置。 介绍的支持 。 （） 确认保存和恢复检查点功能的正确性。 培训被中断。 从头开始培训。 仅测试。 确认导出xlsx功能的正确性。 2020/7/16： 修复@ sjf18在我们测试FPS的代码中指出的错误，该错误将在本文的更高版本中得到纠正。 2020/7/14： 指出了实际的插值方法。 将SIM卡中F.interpo
跨尺度特征融合
小嘤熊的博客
11-08 1064
首先，需要通过使用 1 × 1 卷积将 FA2、FA3、FA4、FA5 和 F′A6 的通道维度（即特征图的厚度）从 256 减少到 64，得到 FB2、FB3、FB4、FB5 和 FB6 的五个中间特征。这样，在后续预测的处理中，不仅使用了当前层的特征信息，还考虑了其他四层的上下文特征，使获得的新特征更加强大。然而，当将SE块完全嵌入到backbone中时，推理时间会在一定程度上增加，所以只是将SE块放在具有更多语义信息的深层，然后通过CSFF模块逐步将增强的全局特征传输到所有其他较浅的层。
目标检测之EfficientDet
年轻即出发，
04-19 1905
论文：EfficientDet: Scalable and Efficient Object Detection Github： https://github.com/google/automl/tree/master/efficientdet https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch CVPR202...
[目标检测]EfficientDet
认真写的博客
05-04 975
文章目录背景性能模型结构后处理损失函数 背景 模型的效率在计算机视觉中变得越来越重要，作者系统地研究了用于目标检测的神经网络体系结构设计选择并提出一些关键的优化措施以提高效。首先，提出一个新的FPN结构BiFPN。其次，我们提出了一种复合缩放方法，该方法可以在同一时间统一缩放所有主干，特征网络和框/类预测网络的分辨率，深度和宽度。 性能 model AP Params EfficientDet-D0 (512) 34.3 3.9M EfficientDet-D1 (640) 40.2 6
目标检测—5 EfficientDet
qq_35732321的博客
03-04 873
Efficient1 主干网络2 预测3 训练4 评价 1 主干网络 efficientdet = EfficientDet() EfficientNetB0 1.1 EfficientNet() # 初步提取特征 1.2 fpn_features = build_wBiFPN(fpn_features, fpn_num_filters[phi], i, freeze_bn=freeze_bn) # 进一步提取特征 1.3.1 classification = [class_net.call([fea
基于飞桨复现目标检测网络EfficientDet，感受CVPR2020的新SOTA算法的威力
百度大脑
11-05 1274
点击左上方蓝字关注我们【飞桨开发者说】武秉泓，国内一线互联网大厂工程师，计算机视觉技术爱好者，研究方向为目标检测、医疗影像内容简介EfficientDet是由Google Brain于2...
EfficientDet: Scalable and Efficient Object Detection翻译（CVPR2020）
weixin_42666085的博客
04-06 1572
EfficientDet：可扩展且高效的对象检测 摘要 在计算机视觉中，模型效率变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络体系结构设计选择，并提出了一些提高效率的关键优化措施。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），该网络可以轻松快速地进行多尺度特征融合。其次，我们提出了一种复合缩放方法，该方法可以同时对所有主干，特征网络和框/类预测网络的分辨率，深度和宽度...
[论文阅读]EfficientDet——可扩展且高效的目标检测
热门推荐
qq_53909832的博客
10-10 1万+
EfficientDet（BiFPN）论文阅读
目标检测学习-EfficientDet
wwb12138的博客
08-17 453
1.背景介绍 在绝大多数目标检测网络中，如下图Fig1特征金字塔（Feature Pyramid Network，FPN）是一个不可缺少的部分，FPN网络主要解决的问题是目标检测在处理多尺度变化问题的不足。FPN主要有以下两个作用：1）多尺度特征融合，提高了特征的丰富程度；2）使用分治法，将目标检测任务按照目标尺寸不同，分成若干个检测子任务。 2. 文中挑战 Challenge 1：高效的多尺度特征融合 关于不同输入特征的融合，大部分的融合是不对特征进行区分的，只是简单的将特征汇总加和起来。然而
BiFPN 论文重点研读：高效双向跨尺度连接和加权特征融合
世上安得两全法？
04-04 3552
本文重点在于说明设计了BiFPN特征网络结构，如果能多使用几次BiFPN的话，会使实验效果更好。
目标检测论文阅读：EfficientDet算法笔记
qq_43631268的博客
01-04 567
模型效率在计算机视觉中正变得越来越重要。本文系统地研究了用于目标检测的神经网络结构设计选择，并提出了提高效率的几个关键优化点。首先，我们提出了一种加权双向特征融合金字塔网络（BiFPN）；其次，我们提出了一种复合缩放方法，可以对所有的主干网络、特征网络和边界框/类别预测网络同时进行分辨率、深度和宽度的统一缩放。基于上述优化和EfficientNet系列的backbone，我们提出了一个新的目标检测器系列，命名为EfficientDet。在不同的资源约束下，它的效率始终比现有的技术更好。
基于EfficientDet的医学图像检测（肺炎、肺结节、肺结核等）(VOC2007)
dcxhun3的博客
01-09 7055
EfiicientDet既快又准的检测算法实战关于EfficientDet 算法收集的信息关于EfficientDet 算法的架构再补充一点复合缩放的内容动手做实验训练开始 关于EfficientDet 算法收集的信息 paper链接，由谷歌出品，必属精品，建议小伙伴们啃一啃paper。 非官方keras开源代码,目前还没有官方开源代码，在github上有大佬开源了，也有pytorch版本的，需要...
目标检测中特征融合技术（YOLO v4）（上）
吴建明wujianming_110117
05-20 2608
目标检测中特征融合技术（YOLO v4）（上） 论文链接：https://arxiv.org/abs/1612.03144 Feature Pyramid Networks for Object Detection Tsung-Yi Lin, Piotr Dollár, Ross Girshick, Kaiming He, Bharath Hariharan, Serge Belongie PANet（Path Aggregation Network） 论文地址： https://arxiv.org/abs
目标检测中特征融合技术（YOLO v4）（下）
吴建明wujianming_110117
05-20 2623
目标检测中特征融合技术（YOLO v4）（下） ASFF：自适应特征融合方式 ASFF来自论文：《Learning Spatial Fusion for Single-Shot Object Detection》，也就是著名的yolov3-asff。 金字塔特征表示法(FPN)是解决目标检测尺度变化挑战的常用方法。但是，对于基于FPN的单级检测器来说，不同特征尺度之间的不一致是其主要限制。因此这篇论文提出了一种新的数据驱动的金字塔特征融合方式，称之为自适应空间特征融合（ASFF）。它学习了在空间上过滤冲突信
CVPR2020 | 显著性目标检测，多尺度信息相互融合
AI算法修炼营的博客
07-20 1万+
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达本文是收录于CVPR2020的有关显著性目标检测的文章，主要的创新点在特征聚合操作，可以迁移到其他需要融合深层和浅层特...
cvpr2019 目标检测算法_浙大和商汤等提出：Libra RCNN目标检测新算法（特征融合），CVPR2019...
weixin_35693014的博客
01-04 309
点击上方“CVer”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：张凯https://zhuanlan.zhihu.com/p/62534549本文已授权，未经允许，不得二次转载背景《Libra R-CNN: Towards Balanced Learning for Object Detection》论文是2019年CVPR的论文，作者来自于浙大和商汤，代码会开源在mmdete...
多尺度特征融合13种创新方案全面汇总，含2024年最新
最新发布
学姐带你玩AI的博客
01-25 1万+
前段时间和大佬朋友交流学术的时候，发现目前发论文最好用的。上回我们讲过了加注意力机制，今天我们就来聊聊多尺度特征融合。多尺度特征融合是一种在图像处理和CV中使用的技术，由于其在各种任务中都通用，并且对改善识别、分类或检测任务的性能都非常有用，所以成了我们发paper的必备创新点。这次我就和同学们分享，分了4个大方向：自适应多尺度特征融合机制、基于图神经网络的多尺度融合、注意力引导的多尺度特征融合以及端到端的多尺度特征学习。论文原文以及开源代码合集看文末。
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