Deep Layer Aggregation----------论文理解

最新推荐文章于 2021-12-02 20:18:13 发布

ruoruojiaojiao

最新推荐文章于 2021-12-02 20:18:13 发布

阅读量3.8k

点赞数 2

分类专栏：目标检测深度学习计算机视觉

本文链接：https://blog.csdn.net/ruoruojiaojiao/article/details/90256479

版权

本文探讨深层聚合在视觉识别中的重要性，尤其是迭代深层聚合（IDA）和分层深度聚合（HDA）两种方法。IDA通过迭代方式逐步融合浅层至深层特征，而HDA利用树形结构融合不同层次的特征，提高网络的准确性和效率。在分类和语义分割任务中，这两种方法都展现出了优越性能，通过调整和优化，能与其他主流网络架构（如ResNet, ResNeXT）兼容。" 108122397,10014162,Python入门经典：《Python语言及其应用》实战指南,"['Python', '编程入门', '软件开发', '数据科学', '科学计算']

摘要由CSDN通过智能技术生成

1. 概述

视觉识别需要丰富的表示，从低到高，从小到大，从细到粗的分辨率。架构网络正在探索骨干网络以设计更深以及更宽的网络，但如何融合这些层以及这些块值得进一步的探讨。尽管已经提出了残差网络来组合层，但这些连接本身已经“浅”，并且仅通过简单的一步操作融合。我们认为通过更深层次的融合可以更好的聚合不同层的信息。我们的深层聚合结构以迭代和分层方式合并特征层次结构，使网络具有更高的准确性和更少的参数。

2. 深层聚合

首先，我们将聚合定义为网络中不同层之间的连接。在这项工作中，我们专注于一系列架构，以有效地聚合深度，分辨率和尺度。

2.1 迭代深层聚合（Iterative Deep Aggregation）

首先通过网络中堆叠的块根据分辨率划分为多个阶段。深层阶段的语义信息很丰富但是空间上比较粗糙。将低层阶段通过跳跃连接到高层阶段来融合尺寸和分辨率。但现有的跳跃连接都是线性的，并且最浅层的聚合最少，如图(b)。因此，我们提出IDA来聚合并加深特征的代表。聚合从最浅，最小的尺度开始，然后迭代地合并更深，更大的尺度。通过这种方式ÿ