Poly Kernel Inception Network for Remote Sensing Detection

最新推荐文章于 2025-01-04 08:54:34 发布
最新推荐文章于 2025-01-04 08:54:34 发布
阅读量2.6k 收藏 16
点赞数 10
分类专栏： 目标检测 文章标签： 视觉检测 深度学习 人工智能
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_54372122/article/details/137218738
版权
该文章介绍了一种新型的深度学习模型PKINet，专为解决遥感图像中目标检测面临的尺度变化和复杂环境问题。PKINet利用多核初始网络提取多尺度特征，并结合上下文锚定注意模块(CAA)捕捉远程上下文。CAA模块采用轻量级的一维深度卷积，有效地增强对细长物体的特征识别和远程像素关系的建模。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Poly Kernel Inception Network for Remote Sensing Detection


在这里插入图片描述
文章地址： https://arxiv.org/pdf/2403.06258.pdf

code地址：GitHub - NUST-Machine-Intelligence-Laboratory/PKINet

1、要干什么及解决什么问题

遥感图像中的目标检测经常面临一些日益严峻的挑战，包括目标尺度的巨大变化和不同的测距环境。
任意方向和大量尺度变化的目标

2、怎么解决的

以前的方法：通过扩大主干的空间接受野来解决这些挑战，要么通过大核卷积，要么通过扩张卷积。然而，前者通常会引入相当大的背景噪声，而后者则有可能产生过于稀疏的特征表示。

引入多核初始网络(PKINet)来处理上述挑战。PKINet采用不扩展的多尺度卷积核提取不同尺度的目标特征，并捕获局部上下文。此外，并行引入了上下文锚定注意(Context AnchorAttention, CAA)模块，用于捕获远程上下文信息。
在这里插入图片描述
PKI模块：

最低0.47元/天 解锁文章
Poly Kernel Inception Network在遥感检测中的应用
AI浩
03-19 1232
遥感图像（RSI）中的目标检测近年来引起了广泛关注[11, 56, 64]。这项任务致力于在RSI中识别特定目标的存在，并随后确定它们的类别和精确位置。与通常产生水平边界框的通用目标检测不同，遥感目标检测旨在生成与目标方向准确对齐的边界框。因此，先前的许多努力都致力于开发各种有向边界框（OBB）检测器[10, 20, 31, 65, 67, 71]，并改进OBB的角度预测精度[68,70,72-74]。然而，在改善用于目标检测的特征提取方面，RSI的独特特性仍相对缺乏深入研究。
YOLOv10改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制
Limiiiing的博客
10-08 1503
本文记录的是基于CAA注意力模块的YOLOv10目标检测改进方法研究。。CAA能够有效捕捉长距离依赖，并且参数量和计算量更少。
PKINet：比ResNet更适合遥感目标检测的主干网络 | 可替换YOLO的Backbone
小白学视觉
12-08 401
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达扫描下方二维码，加入前沿学术论文交流星球！可以获得最新顶会/顶刊论文的idea解读、解读的PDF和CV从入门到精通资料，及最前沿应用！标题：《Poly Kernel Inception Network for Remote Sensing Detection》[1]代码：https://github.com/NUST-Machi...
【CVPR 2024】【遥感目标检测】Poly Kernel Inception Network for Remote Sensing Detection
最新发布
weixin_44184852的博客
01-04 2645
遥感图像（RSIs）中的目标检测经常面临几个日益增加的挑战，包括目标尺度的巨大变化和不同范围的背景。现有方法试图通过大核卷积或扩张卷积来扩展主干的空间感受野来解决这些挑战。然而，前者通常会引入相当大的背景噪声，而后者会产生过于稀疏的特征表示。在本文中，我们引入了多核inception网络（PKINet）来应对上述挑战。PKINet采用无膨胀的多尺度卷积核来提取不同尺度的特征并捕获局部上下文。此外，还并行引入了上下文锚注意力（CAA）模块来捕获远程上下文信息。
论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection
醋酸洋红的博客
10-07 1799
首先，我们将不同感受野范围的不同核的特征进行串联，然后采用基于通道的平均和最大池化方法有效地提取空间关系，将空间融合的特征进行串联，并使用卷积层将融合的特征(2通道)转换为N个空间注意图，对于每个空间注意图̂SAi，使用一个sigmoid激活函数，对分解后的每个大核分别获得单个空间选择掩码，将分解后的大核序列中的特征按其对应的空间选择掩模加权，再经卷积层融合得到注意特征S。相反，这些物体的成功识别往往依赖于它们的上下文，因为周围的环境可以提供关于它们的形状、方向和其他特征的有价值的线索。
PKINet(2024CVPR)复现
dragonxxx1024的博客
03-19 5943
这次错误的解决,主要是因为以前复现过LSKNet，文章中又提到了LSKNet，然后看了下LSK的train.py的代码，两者差不多，找到以前我看过LSKNet复现的帖子，才发现没导入权重文件和改单卡模式，LSKNet复现的帖子在这里。我们进行测试和demo实验，从官网上下载权重文件，如下，我测试的是DOTAv1.0的，但是只有ss的权重文件，先试一试能不能跑，不能跑再换ss类型的数据集。本次复现也踩了很多的坑，这也是我第一篇博客，不对之处请各位指教，也当做我自己的一个笔记吧，毕竟好记性不如烂笔头。
多项式核心在机器学习中的应用前沿
AI天才研究院
12-29 918
1.背景介绍 多项式核心(Polynomial Kernel)在机器学习领域具有广泛的应用，它是一种用于处理非线性数据的方法。在实际应用中，许多问题都是非线性的，因此需要一种方法来处理这些问题。多项式核心就是一种解决这个问题的方法。 在本文中，我们将讨论多项式核心在机器学习中的应用前沿，包括其核心概念、算法原理、具体操作步骤、数学模型公式、代码实例以及未来发展趋势与挑战。 2.核心概念与联系...
旋转目标检测：截止2024年最新研究方案对比解读
sinat_39783664的博客
07-18 744
对截止2024年以来有代表性“旋转目标检测”的方案对比分析
CVPR2024：PKINet(上下文锚点注意力机制)
kuailezzf的博客
11-06 4442
PKINet采用无扩展的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。具体来说，首先，PKINet不依赖于大核卷积或膨胀卷积来扩展感受野，而是利用无扩展的深度卷积（inception-style）来提取不同感受野之间的多尺度纹理特征。最后，这两个模块协同工作，促进了局部和全局上下文信息的自适应特征提取，从而提高了遥感目标检测的性能。为了解决上述问题，以前的方法是通过大核卷积或膨胀卷积来扩展主干网络的空间感受野。但是，前者通常会引入相当大的背景噪声，而后者可能会产生过于稀疏的特征表示。
基于矢量场卷积的B样条形变模型用于MRI软骨的3D分割
03-07
基于矢量场卷积的B样条形变模型用于MRI软骨的3D分割
YOLOv5独家改进: block优化 | PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点 | CVPR2024 PKINet 遥感图像目标检测
03-21 796
PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点
YOLOv8模型改进 第三讲 添加多核感知网络PKINet
qq_64693987的博客
10-04 2906
遥感图像（RSIs）中的目标检测面临着一系列日益严峻的挑战，主要包括目标尺度的显著变化和背景的多样性。以往的方法通常通过增大骨干网络的空间感受野来应对这些问题，具体方法包括使用大卷积核或膨胀卷积。然而，使用大卷积核时，通常会引入大量的背景噪声，而膨胀卷积则可能导致特征表示过于稀疏。为了解决这些问题，本文提出了一种多核感知网络（PKINet）。PKINet，并有效捕捉局部背景信息。同时，文中并行引入了，以捕捉长距离的上下文信息。
SegNeXt学习笔记
十二月未央未眠
10-24 6070
阐述了近期基于Transformer由于其具编码空间信息的自注意力而在语义分割领域占据重要位置本文展示了卷积注意力在编码上下文信息上比transformer自注意力更有效发现了导致语义分割性能提升的几个关键因素SegNeXt仅用少量的参数，即可实现在VOC2012上90.6%的mIoU，代码开放经历了早期FCN、DeepLab系列，到近期基于Transformer的模型，如SETR、SegFormer强主干网络。例如Transformer主干网络比基于CNN更强。多尺度信息交互。
深度学习与在遥感领域的应用 (综述+研究方向+相关期刊)
It's You--MXL
09-11 5356
深度学习与在遥感领域的应用综述、未来的研究方向、以及遥感方向的相关期刊、会议。
《YOLOv8原创自研》专栏介绍 & CSDN独家改进创新实战&专栏目录
热门推荐
12-02 1万+
全网独家首发创新（原创），适合paper ！！！
对卷积神经网络认识的进一步加强（卷积变种：分组卷积、空洞卷积、深度可分离卷积、可形变卷积）
我是天才很好
06-13 1661
一、分组卷积 Group convolution Group convolution分组卷积，最早在AlexNet中出现，由于当时的硬件资源有限，训练AlexNet时卷积操作不能全部放在同一个GPU处理，因此作者把feature maps分给多个GPU分别进行处理，最后把多个GPU的结果进行融合。 二、卷积核一定越大越好？-- 3×3卷积核 AlexNet中用到了一些非常大的卷积核，比如11×11、5×5卷积核，之前人们的观念是，卷积核越大，receptive field（感受野）越大，看到的图片信息越多
【语义分割】13、SegNeXt | 只要卷积用得好 提升语义分割没烦恼
呆呆的猫的博客
11-13 2724
本文主要介绍 NIPS 2022 中的论文 SegNeXt
RT-DETR融合CVPR[2024]无膨胀多尺度卷积PKI模块及相关改进思路
深度学习炼丹师，偶尔分享炼丹技术!
11-13 874
论文速览：遥感影像 （RSI） 中的对象检测通常面临一些日益增长的挑战，包括对象比例的巨大变化和不同的环境。以前的方法试图通过大核卷积或扩张卷积来扩大主干的空间感受野来应对这些挑战。但是，前者通常会引入相当大的背景噪声，而后者则可能会生成过于稀疏的特征表示。在本文中，我们介绍了 Poly Kernel Inception Network （PKINet） 来处理上述挑战。PKINet 采用无膨胀的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。
深度学习边缘检测：Dense Extreme Inception Network
"Poma_Dense_Extreme_Inception_Network_Toward - 一种用于边缘检测的深度学习模型" 本文介绍了一种名为"DenseExtremeInceptionNetwork"的深度学习模型，该模型旨在提高边缘检测任务的鲁棒性。这个新模型受到了...
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