Objects as Points 阅读笔记

已于 2022-10-19 09:57:34 修改
阅读量285 收藏
点赞数 1
分类专栏： 目标检测论文 文章标签： 深度学习 目标检测 计算机视觉
于 2022-10-17 22:08:16 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_44901656/article/details/127374672
版权

介绍

  • 目前的目标检测方法通过一个轴对齐的边界框来表示每个物体，然后将目标检测简化为对大量潜在物体边界框的图像分类。
  • 基于滑动窗口的目标检测器需要列举所有可能的物体位置和尺寸。
  • RCNN从一大批区域候选者中列举出物体的位置，对其进行裁剪，并使用深度网络对每个物体进行分类。Fast RCNN通过裁剪图像特征来节省计算量。
  • Faster RCNN在检测网络中生成RPN
  • 作者用边界框中心的一个点来代表物体，直接从中心位置的图像特征回归出其他属性（大小、尺寸、3D维度、方向和姿势）。
  • Backbone:Hourglass Network。Deep Layer Aggregation, Heatmap
  • 对于中心点重合的现象，很难预测出正确的物体，但作者发现在数据集中大概只有%0.1（COCO）的图像存在中心点重合的物体。

在这里插入图片描述
图 1说明作者的方法性能优于当时的方法
在这里插入图片描述

方法

在这里插入图片描述
公式1：定义一个penalty-reduced pixelwise logistic regression的焦点损失，来训练keypoint预测网络。

在这里插入图片描述
公式2：为了消除由输出跨度引起的离散化误差，对于每一个中心点预测一个局部偏移量。

在这里插入图片描述
公式3：为了减轻计算负担，对所有的物体类别使用单一大小的预测。
在这里插入图片描述
公式4：总的训练目标。
在这里插入图片描述

  • 一个中心点被看作是一个单一的形状无关的锚点。
  • CenterNet只根据位置来分配anchor，而不是重叠的box。
  • 每个检测对象只有一个正样本anchor，因此不需要NMS来对anchor进行筛选。
  • CenterNet使用了更大的输出分辨率（stride=4）。

在这里插入图片描述

实验

使用四种架构进行实验：ResNet-18、ResNet101、DLA-34和Hourglass-104。
在这里插入图片描述
表1：用不同的backbone和测试选项进行COCO验证的结果

在这里插入图片描述
在这里插入图片描述

1100dp
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【目标检测】《Objects as Points》论文阅读笔记
聿默的博客
02-20 1673
粗读一遍，后续会看看大佬写的，然后重新读下论文，再补充。 1.摘要 通过对预测框的坐标（关键点）进行模拟，训练得到的模型。是一种比较经典的anchor free的检测方法。能够方便的运用到3D定位、方向、甚至是姿态识别中。 2.介绍 介绍中主要说明，这篇文章把检测坐标框的预测，转变为坐标框中心点坐标的预测。较快应用到其他的任务中。而且速度非常快。 并提供其代码：xingyizhou/CenterNet 3.相关工作 （1）区域分类：初期刚出现检测任务时，通过分配较多的候选框，对候选框中的内容进
CenterNet :Objects as Points-论文笔记（目标检测）
Wincher's blog
07-25 901
摘要 传统目标检测将物体定义为沿着坐标轴的边界框，对所有可能的物体进行穷举搜索，再进行分类。这种方法耗时耗力，且需要额外的后处理过程。本文将物体建模为单个点——边界框的中心点，用关键点估计找到中心点，并且回归输出物体其他属性，如：尺寸，3D位置，旋向，甚至位姿。本文方法称为CenterNet，一种端到端具有多种优点的目标检测方法，达到了速度与准确率的平衡。 引言 目标检测很重要，为许多后续任务提供支撑（实力分割、位置估计等）。在监控、自动驾驶等领域有广泛应用。传统目标检测将物体定义为沿着坐标轴的边界框，对所
Objects as Points论文阅读笔记
Eric3778的博客
09-21 1124
Objects as Points论文阅读笔记 前言 在这篇博客中，我主要对CenterNet的实现过程进行一些分析。由于本人刚刚接触计算机视觉领域，所以有些问题可能分析的不够透彻或者有些错误，也请各位读者多多谅解并及时指出问题，万分感谢。 背景介绍 大多数目标检测器都是在图像上将目标用框（bounding box）来框出，这需要枚举所有可能的物体位置并对每个位置进行分类，但是这种方式效率低下。在...
【2D/3D目标检测】Objects as Points阅读笔记（2019）
qq_42575422的博客
08-20 448
1、为什么要做这个研究（理论走向和目前缺陷） ? 有anchor的方法往往需要nms后处理，无法端到端的训练。无anchor的方法，往往也无法避免nms,且往往需要做非常复杂的关键点匹配（如cornernet、extremnet)。 2、他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 提出用关键点预测的方法（即预测热图）重新建模目标检测。将检测目标视为其边界框的中心点，根据热图确定中心点的问题，由于中心点只有一个正例热峰，避免了nms去重，其大如中心点位置偏移、尺寸、角度等都是在此中心点的基础上预测
Objects as Points 解读
qq_41298141的博客
06-14 3405
Objects as Points 2019 Xingyi Zhou, Dequan Wang, Philipp Krahenb ¨uhl 我们在对象的边界框中心用一个点表示对象(参见图2)，然后直接从中心位置的图像特征返回其他属性，如对象大小、尺寸、3D范围、方向和姿态。目标检测是一个标准的关键点估计问题。将图像输入到一个完全卷积网络中生成一个热图，热图的峰值对应对象的中心。每个峰值的图像特征预...
Objects as Points
OneCoder的博客
05-06 1311
code 文章目录概述细节ResultConclusion 概述 要解决的问题 One-stage anchor-free object detection 采用的方法 构建模型时将目标作为一个点——即目标BBox的中心点。我们的检测器采用关键点估计来找到中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态 结果如何 MS COCO dataset, with 28...
论文学习：《Objects as Points》
weixin_42214565的博客
09-04 860
被大佬安利了这篇论文，花了整整一天的时间学习这篇论文，感觉非常妙。记录一下学习笔记，先推荐两篇个人觉得讲的非常好的文章，以下笔记有些内容摘自这里： [1]https://zhuanlan.zhihu.com/p/66048276 [2]http://www.tensorinfinity.com/paper_189.html [3]https://blog.csdn.net/c20081...
【论文笔记】：CenterNet :Objects as Points
Activewaste
07-26 1047
&Title: Objects as Points &Summary 作者在构建模型时将目标作为一个点——即目标BBox的中心点。检测器采用关键点估计来找到中心点，并回归到其他目标属性，例如尺寸，3D位置，方向，甚至姿态。 论文是基于中心点的方法，称为：CenterNet，相比较于基于BBox的检测器，我们的模型是端到端可微的，更简单，更快，更精确。我们的模型实现了速度和精确的...
论文笔记：Objects as Points（CenterNet）
weixin_39952791的博客
11-06 370
论文笔记：CenterNet 简介 以往的检测方法很多都是找到一大堆潜在目标的位置并且逐一分类，效率很低，本文提出的方法是通过关键点估计来找到目标中心点并且回归出目标的所有属性（包括offset、检测框尺寸、类别等等）。通过一个全卷积神经网络，生成一个heatmap，找到这个heatmap的峰值就是物体的中心。这个方法同时也可用于人体关键点检测和单目深度估计。 方法 简单来说，就是通过一个全卷积...
深度学习100问27:什么是截断的BPTT
yyq916的博客
08-31 386
截断的 BPTT 呢，先确定一个合适的长度，就好比决定每一小段故事有多长。这种方法在很多地方都大显身手哦，比如自然语言处理里训练语言模型、搞机器翻译的时候，就像一个得力的小助手。想象一下，你有一个超级长的故事要讲，一口气从头讲到尾可太难啦，而且很容易把自己绕晕。这时候呢，截断的 BPTT 就像把这个长故事分成一小段一小段来讲。在循环神经网络训练那些长长的序列数据的时候，如果直接像个“愣头青”一样用传统方法，那计算量会大得吓人，还可能出现梯度消失或者爆炸的情况，就像烟花放一半突然熄火或者炸得不可收拾。
深度学习基础—池化
sniper_fandc的博客
08-30 608
最大池化的直观理解就是区域内最大值可能就是我们想要提取的重要特征，比如边缘检测，通常边缘附近是数值变化较大的地方，比如由亮变暗，像素值由大变小，如果过滤器覆盖了边缘，就会找到像素值大的特征值提取出来，从而保留重要的边缘信息，减少不是边缘的冗余信息。假设输入的图片是4*4的灰度图片（二维，只有一个通道），过滤器选择2*2，步长选择2，这样的效果就是将4*4的图片分为4块，因此结果是2*2的图像。由于卷积运算的重叠性，很多计算的特征是冗余的，而池化就可以将较大且特征较弱的图转化为较小且特征较强的图。
【学习笔记】第三章深度学习基础——Datawhale X李宏毅苹果书 AI夏令营
MoyiTech
08-27 564
梯度为0的点我们统称为临界点，包括局部极小值、鞍点等局部极小值和鞍点的梯度都为0，那如何判断呢？先请出我们损失函数：L(θ)，θ是模型中的参数的取值，是一个向量。由于网络的复杂性，我们无法直接写出损失函数，不过我们可以写出损失函数的近似取值。根据宋浩老师所讲的大学一年级高等数学的知识，我们可以通过三阶泰勒展开对损失函数在θ附近的取值进行近似：其中，θ是模型中的参数的取值，θ’是在θ附近的取值。H是海森矩阵，Hij​是L对θi​和θj​的二阶偏导数。
【开发实战】QT5 + 深度学习六大应用案例
关注微信公众号【OpenCV学堂】
08-29 587
考虑到硬件普适性与高性价比，对于小于30MB的模型，OpenVINO + CPU的解决方案都会是比较合理跟高性价比的。现在OpenVINO2024最新版本还支持大模型+CPU的部署方案，只要几行代码即可完成。它们都支持Python与C++ SDK，支持多种模型压缩与量化机制，支持模型同步与异步推理。QT5 + OpenCV4.8 开发与配置环境搭建，请看博客文章。四 健身智能 - 自动引体向上计数。二 图像修复与自动水印移除。一 人像抠图 背景提取与替换。三 实时人脸识别应用。六 电子围栏语音报警。
深度学习100问24:什么是语言模型
yyq916的博客
08-30 717
原来呀，它悄悄地学习了好多好多的文本数据，就像读了无数本故事书一样。比如说，你给它一个句子的开头几个词，它就能像个聪明的小侦探一样，猜猜后面最有可能出现啥词。- 机器翻译：在翻译的世界里，它就像一个热心的小助手。帮助翻译系统更好地理解原文的意思，然后生成更通顺的目标语言文本。不管是搞笑的故事、严肃的论文，还是浪漫的诗歌，它都能应付得来，具有很强的通用性。能更好地理解你输入的查询意图，然后给你提供更准确的搜索结果。能理解你的问题，然后给出合理又好玩的回答。能生成超级自然的文本，就像真正的人写出来的一样。
深度学习100问22:什么是RNN训练过程中的反向传播算法
yyq916的博客
08-30 371
有了这些梯度，小朋友就知道该怎么调整自己的“思考方式”了（更新网络的权重和偏置）。比如，如果发现某个线索（参数）对错误的影响很大，那就多调整一下这个线索的用法。在这个过程中，小朋友会计算出每个步骤对最终错误的“贡献”有多大，也就是计算损失函数对每个参数的梯度。想象一下，RNN 就像是一个在学习猜谜语的小朋友。反向传播呢，就是这个小朋友发现自己猜错了之后，想办法找出自己哪里错了并且改正的过程。总的来说，反向传播就是 RNN 自我改进的一种方法，通过从错误中学习，不断调整自己，变得越来越厉害。
深度学习100问33:如何避免梯度消失
最新发布
yyq916的博客
08-31 389
可以用一些聪明的自适应学习率优化算法，像 Adam、Adagrad 等，它们能根据模型的训练情况自动调整学习率，可贴心啦。像 Xavier 初始化和 He 初始化这些方法，可以根据网络的结构自动调整权重的初始值，让信号在网络里能更好地传播，就像给信号铺了一条顺畅的路。首先呢，选个好的“调味料”，也就是激活函数。当输入是正数的时候，它的梯度始终是 1，不会像有些传统激活函数那样，想象一下在一条长长的路上修一些小道，这样信号就可以直接从一层传到更深的层，不用经过好多层，就不会出现梯度慢慢消失的问题啦。
小白学深度学习：知识蒸馏研究综述
gangyikeji的博客
08-30 1124
知识蒸馏是一种教师-学生(Teacher-Student)训练结构，通常是已训练好的教师模型提供知识，学生模型通过蒸馏训练来获取教师的知识。它可以以 轻微的性能损失为代价将复杂教师模型的知识迁移到简单的学生模型中。知识蒸馏与迁移学习思想较为相似，然而它们有以下四点的不同：知识蒸馏中的知识通常是在同一个目标数据集上进行迁移，而迁移学习中的知识往往是在不同目标的数据集上进行转移。知识蒸馏的两个网络可以是同构或者异构的，而迁移学习通常是在单个网络上利用其它领域的数据知识。
深度学习100问15:什么是交叉熵误差
yyq916的博客
08-30 850
真实的情况呢，就像是有个“标准答案”，知道红球出现的真正概率分布。而你的猜测呢，就是你给出的预测概率分布。要是差得远呢，交叉熵误差就大。对于不同的情况，比如有好几个类别要猜的时候，就用这个公式：。别被它吓到，其实就是把每个情况的真实概率和预测概率用一种特别的方式算一下差距，然后加起来。- 在分类问题里呀，交叉熵误差就像个严格的老师，它当损失函数，让模型不断学习，变得更聪明，好让预测结果更接近真实结果。- 如果模型猜错了，交叉熵误差会狠狠地“惩罚”它，这样模型就会赶紧改正，更快地学会正确的玩法。
Tracking Objects as Points
07-28
"Tracking Objects as Points"是一种基于点的同时检测和跟踪方法，由德克萨斯奥斯汀分校和英特尔研究院的研究人员提出。这种方法利用近期提出的CenterNet检测器来定位目标中心，并将检测器和用点表示的先前踪片...
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

打赏作者

1100dp

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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