【文献阅读5】Small Object Detection using Context and Attention

最新推荐文章于 2024-11-07 20:21:28 发布
最新推荐文章于 2024-11-07 20:21:28 发布
阅读量4k 收藏 34
点赞数 7
分类专栏： 文献阅读 计算机视觉 文章标签： 计算机视觉 深度学习
原文链接：https://arxiv.org/abs/1912.06319v2
版权

【文献阅读5】基于上下文与注意力的小目标检测-Small Object Detection using Context and Attention

我的总结

  • 融合：fusion
  • 残差注意力模块：residual attention module
  • L2 Norm更适合融合操作
  • 基于SSD模型，Backbone是VGG16

本篇仅是简单阅读记录！！！

Small Object Detection using Context and Attention

文章连接：https://arxiv.org/abs/1912.06319v2

0 Abstract

为了提高小目标检测的精度，本文提出一种利用上下文的目标检测方法。
该方法通过连接多尺度特征，使用来自不同层的附加特征作为上下文。
还提出了具有注意力机制的目标检测，该机制可以聚焦于图片中的目标，并且可以包含来自目标层的上下文信息。

1 Introduction

目标检测的mAP较高了，但小目标mAP较低，SSD小目标检测mAP只能达到20.7%，还有很大的提升空间。
小目标检测难的原因是低分辨率和有限的像素。
把上下文信息作为额外的信息可以帮助小目标检测。

  • 第一，为了提供足够的关于小对象的信息，作者通过利用来自更高层的更抽象的特征作为对象的上下文，从小对象的周围像素中提取上下文信息。通过连接小对象的特征和上下文的特征，我们增加了小对象的信息，使得检测器可以更好地检测对象。
  • 第二，为了专注于小对象，作者在早期层使用了一种注意力机制。这也有助于减少背景中不必要的浅层特征信息。在作者的实验中，作者选择SSD作为基线。然而，这个想法可以推广到其他网络。

2 Related Works

深度学习目标检测：

  • R-CNNFast R-CNN,慢，两步
  • Faster R-CNN,速度提升，两步
  • SSD,YOLO，快，一步
  • 检测小目标都不太好

小目标检测：

  • 数据扩充，减小大目标尺寸，解决数据不足的问题
  • 反卷积技术放大特征图，DSSD反卷积所有特征图，模型复杂度变高，速度降低；R-SSD通过池化和反卷积混合不同尺寸的特征图，相较于DSSD速度精度皆有提升
  • 以低分辨率的特征作为GAN的输入，获得高分辨率的特征

视觉注意力网络：

  • 使用LSTM获取给定图片的相关部分，从而给图片创建图片字幕
  • 叠加残差注意力模块

3 Method

  • 第一，SSD通过特征融合来获取上下文信息，称为F-SSD。
  • 第二，SSD具有注意力模块，使网络能力集中在重要的部分，称为A-SSD。
  • 第三，作者结合了特征融合和注意力模块，命名为FA-SSD。

SSD：
其思想是利用早期特征图的较高分辨率来检测较小的物体，而利用分辨率较低的较深特征来检测较大的物体。
小目标检测精确度仍较差，原因：

  • 缺少上下文信息
  • 浅层特征层缺少语义信息
    在这里插入图片描述

F-SSD：
为了给作者想要检测对象的给定特征图(目标特征)提供上下文，作者将其与来自目标特征层的更高层的特征图(上下文特征)相融合。

  • 目标特征：【Conv4_3】–【3X3卷积，padding=1，stride=1，尺寸不变；BN；ReLU】–【融合：Stack堆叠融合】
  • 上下文特征1：【Conv7】–【反卷积deconvolution：将上下文特征转换为与目标特征尺寸一致】–【融合】
  • 上下文特征2：【Conv8_2】–【反卷积deconvolution】–融合
    在这里插入图片描述
    注：Batch Normalization 与 L2 Normalization
    详细解释见连接：https://blog.csdn.net/weixin_30344795/article/details/94804119

融合的方法如下图所示。
在这里插入图片描述

A-SSD
在这里插入图片描述
手绘残差注意力模块和图五（a）一样，手绘有助于理解，后续需阅读残差注意力模块论文

在这里插入图片描述

FA-SSD
在这里插入图片描述
注：本笔记仅为记录文献阅读，防止遗忘。如有侵权，立即删除！

Mr小米周
关注
专栏目录
人工智能 | 增强小目标检测（Augmentation for small object detection）
尘世冰封的专栏
06-10 1万+
博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 Augmentation for small object detection Mate Kisantal kisantal.mate@gmail.com Zbigniew Wojna zbigniewwojna@gmail.co...
Accurate Semantic Image Segmentation Using Attention Mechanism
AI天才研究院
10-09 672
作者：禅与计算机程序设计艺术Semantic image segmentation (SIs) is one of the most challenging tasks in computer vision and medical imaging fields due to its high variability and complexity of realistic scenes with complex structures and textures. In this paper, we presen
SSD目标检测算法论文-英文原版
03-27
SSD目标检测算法论文-英文原版，SSD: Single Shot MultiBox Detector
Small Object Detection using Context and Attention（使用上下文和注意力机制的小型物体检测）
知欧zhou的博客
10-27 5304
Small Object Detection using Context and Attention 使用上下文和注意力机制的小型物体检测 Jeong-Seon Lim University of Science and Technology jungsun0427@etri.re.kr Marcella Astrid University of Science and Technology marcella.astrid@ust.ac....
Small Object Detection using Context and Attention（论文阅读笔记）
浅浅记录一下吧。
12-23 2902
Small Object Detection using Context and Attention 论文阅读笔记 出处：2021 International Conference on Artificial Intelligence in Information and Communication (ICAIIC) Jeju Island, Korea 一、介绍 目标检测算法在各种环境下的应用存在许多局限性，特别是检测小物体仍然具有挑战性，因为它们的分辨率低，信息有限。 文章提出了一种使用上下文的目
Small Object Detection using Context and Attention
shang_bo_liang的博客
02-21 585
【文献阅读5】Small Object Detection using Context and Attention_我是大阿周的学习博客-CSDN博客
YOLO11改进 | 融合改进 | C3k2融合 Context Anchor Attention 【两个版本融合-独家创新】
最新发布
kay_545
11-07 730
yolo11，yolo11改进，融合创新，独家改进
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
热门推荐
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
目标检测(Object Detection)算法合集（持续更新ing）
阿木寺的博客
07-14 7331
object-detection This is a list of awesome articles about object detection. R-CNN Fast R-CNN Faster R-CNN Light-Head R-CNN Cascade R-CNN SPP-Net YOLO YOLOv2 YOLOv3 YOLT SSD DSSD FSSD ESSD MDSSD Pel...
经典目标检测论文合集
10-10
fast-rcnn, faster-rcnn, ssd, yolov1,yolov2,yolov3,refineDet，M2Det英文论文
小目标检测small object detection
carlous0的专栏
12-09 1995
整理了两个github上两个罗列近期small object detection相关工作的链接。 第一个链接：https://github.com/kuanhungchen/awesome-tiny-object-detection 这个链接的title是tiny object，估计只有我这个小聪明能找到，这个链接比较推荐，罗列的工作都是一些较好的会议和期刊上的工作。 第二个链接：https://github.com/ispc-lab/SmallObjectDetectionList 这个链接的
小目标检测技巧 | 全局上下文自适应稀疏卷积CEASA | 助力微小目标检测涨点
人工智能讲师分享前沿技术
04-27 3292
深度神经网络（如细胞神经网络和Transformer）的最新进展显著提高了在公共基准（如COCO）上的目标检测性能。相比之下，为无人机平台设计检测器目前仍然是一项具有挑战性的任务。一方面，现有的研究热衷于设计复杂的模型，以在高分辨率无人机图像上达到微小目标的高精度，这在计算上很不划算的。另一方面，无人机配备的硬件往往受到资源限制，这对轻量级部署模型提出了快速推理和低延迟的迫切需求。为了解决准确性和效率之间的平衡困境，学界做出了许多努力，主要是在通用目标检测上，基本上集中于降低骨干网络的复杂性。
【文献阅读7】深度学习检测小目标常用方法（知乎文章）
我是大阿周的学习博客
11-16 498
深度学习检测小目标常用方法 文章名称：深度学习检测小目标常用方法 文章作者：船长 作者在文章中列举了大量小目标检测（通用目标检测与人脸识别）的常用方法与相关论文。 其中有一些文章我觉得对于我目前的小目标检测方向比较有意义的文献。 具体如下： Data Augmentation 深度学习中不平衡样本的处理 Augmentation for small object detection Train Strategies SNIP R-FCN: Object Detection via Region-ba
小目标检测文献相关（特征融合）
weixin_30687811的博客
08-18 781
1、Feature-Fused SSD: Fast Detection for Small Objects(ICGIP2017) 融合特征的SSD [1709.05054] Feature-Fused SSD: Fast Detection for Small Objects https://arxiv.org/abs/1709.05054 论文：https://arxiv.o...
目标检测经典论文——R-FCN论文翻译（中英文对照版）：Object Detection via Region-based Fully Convolutional Networks
bigcindy的博客
08-06 2955
目标检测经典论文翻译汇总：[翻译汇总] 翻译pdf文件下载：[下载地址] 此版为纯中文版，中英文对照版请稳步：[R-FCN纯中文版] R-FCN: Object Detection via Region-based Fully Convolutional Networks 基于Region的全卷积神经网络进行目标检测 Jifeng Dai Microsoft Research Yi Li* Tsinghua University
深度学习论文阅读目标检测篇（四）中英文对照版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
与君共勉，一起学习
05-06 1423
深度学习论文阅读目标检测篇（四）：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》中英文对照版Abstract 摘要1. Introduction 引言2. Unified Detection 统一的检测2.1 Network Design 网络设计2.2 Training 训练2.3 Inference 推断2.4 Limitations of YOLO YOLO 的缺点3. Comparison to Other Dete
论文阅读：Spatial context-aware network for salient object detection
xiongxyowo的博客
07-11 842
论文地址：https://doi.org/10.1016/j.patcog.2021.107867 代码地址： 发表于：PR 2021 I. Intro 这个网络是用来进行显著目标检测与伪装目标检测的，并且在这两个任务上均达到了SOTA 将Joint Training应用到了两个近乎相反的任务上 Network Architecture 嘤嘤嘤 Long-path Context Module 嘤嘤嘤 Short-path Context Module 嘤嘤嘤 Loss 本文没有采用比较特别的loss
深度学习论文阅读目标检测篇（七）中英对照版：YOLOv4《Optimal Speed and Accuracy of Object Detection》
与君共勉，一起学习
06-23 1562
  There are a huge number of features which are said to improve Convolutional Neural Network (CNN) accuracy. Practical testing of combinations of such features on large datasets, and theoretical justification of the result, is required. Some features opera
【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017
06-06
好的，我了解了你的要求。关于你提到的这篇论文，是一篇关于小目标检测的研究，作者提出了一种基于感知生成对抗网络（PGAN）的方法来解决小目标检测问题。该方法通过对图像进行重新调整和增强，从而提高目标检测的精度和鲁棒性。这篇论文发表在2017年的计算机视觉与模式识别会议（CVPR）上。如果你还有其他问题，可以随时问我。
评论 10
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