目标检测之RetinaNet

最新推荐文章于 2024-04-13 23:51:47 发布
最新推荐文章于 2024-04-13 23:51:47 发布
阅读量8.7k 收藏 13
点赞数 5
分类专栏： 深度学习 目标检测
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/shinetzh/article/details/85097481
版权

文章目录

论文

地址：https://arxiv.org/pdf/1708.02002.pdf

思想

论文最主要的贡献是提出了一个loss函数：Focal loss。主要目的是解决易分类样本和难分类样本之间的均衡问题，不仅仅是解决样本不均衡（数量上）的问题。也就是说使易分类样本对loss的贡献减小，使难分类样本对loss的贡献增大。问题来了，在目标检测中的主要问题是样本不均衡的问题，背景样本太多，而正样本太少，在文中却用Focal loss来解决这个问题，为什么呢？主要原因是，大多数的背景样本都是属于简单易分的样本，只有少数的正样本和背景样本分类难度较大，而那些简单易分的背景样本不应该对梯度下降的方向有太多贡献。在这里正好可以使用Focal loss来解决这个问题。
在这里插入图片描述

  • Focal loss 是在交叉熵的基础上进行的改进，在损失函数之前增加了一项 （ 1 − p t ) r （1-p_t)^r （1−pt​)r.这一项用来调整不同概率样本对loss的贡献的大小。当 p t p_t pt​较大的时候这一项就较小，也就是说，容易分类的样本的权重较小；当 p t p_t pt​较小的时候这一项就较大，也就是说，难分类的样本的权重较大。

Focal loss效果

对loss的影响

在这里插入图片描述

在目标检测中的应用

采用的网络结构

在这里插入图片描述

效果

在这里插入图片描述

freshZero_
关注
  • 5
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
一阶段目标检测网络-RetinaNet详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 2259
Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection。作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域。
深度学习之目标检测（五）-- RetinaNet网络结构详解
热门推荐
木卯_THU的博客
08-17 3万+
深度学习之目标检测（五）-- RetinaNet网络结构详解深度学习之目标检测（五）RetinaNet网络结构详解1. RetinaNet1.1 backbone 部分1.2 预测器部分1.3 正负样本匹配1.4 损失计算2. Focal Loss2.1 Cross Entropy Loss2.2 Balanced Cross Entropy2.3 Focal Loss 深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎
RetinalNet论文笔记
985小菜鸡
04-13 1273
当然，这篇论文主要研究了一种新的损失函数——焦点损失（Focal Loss），用以改进单阶段目标检测器在处理极端类别不平衡情况时的性能。实验表明，在训练密集检测器（dense detectors）时，由于遇到的大类别不平衡问题，易分类的负样本占据了交叉熵损失的大部分并主导了梯度。而权重因子ααα虽然平衡了正负样本的重要性，但它没有区分简单和困难的样本。因此，作者提出重新塑造损失函数以降低易分类样本的权重，从而更加集中于训练难分类的负样本。焦点损失通过添加一个调节因子1−ptγ1−pt。
RetinaNet详解（附Pytorch代码讲解）
源仔
03-20 9026
RetinaNet详细解读
人脸识别RetinaNet详解
11-17 430
目前最先进的目标检测是基于two-stage和提议框驱动机制。最广为人知的R-CNN框架，firststage是生成稀疏的候选对象位置；secondstage使用卷积神经网络对候选对象位置分类。two-stage框架一直在COCO数据集上由最高的准确率。一个自然的想法one-stage检测器是否能达到类似的准确率。one-stage检测器通常在位置、尺寸、长宽比上有规律的密集采样。
RetinaNet损失函数源码解读
AI训练师中的点滴
05-25 1055
RetinaNet背景 RetinaNet算法源自2018年Facebook AI Research的论文 Focal Loss for Dense Object Detection，作者包括了Ross大神、Kaiming大神和Piotr大神。该论文最大的贡献在于提出了Focal Loss用于解决类别不均衡问题，从而创造了RetinaNet（One Stage目标检测算法）这个精度超越经典Two Stage的Faster-RCNN的目标检测网络。 模型结构： 最后输出三层不同尺度的特征层:C3,C4,
【MMDet Note】MMDetection中Head之RetinaHead代码理解与解读
weixin_47691066的博客
09-19 781
本文对mmdetection/mmdet/models/dense_heads/retina_head.py中的RetinaHead类代码进行解读
pytorch复现RetinaNet目标检测项目代码
04-27
**PyTorch RetinaNet目标检测项目代码详解** 在计算机视觉领域，目标检测是一项关键任务，它涉及到识别图像中的特定对象并确定它们的位置。RetinaNet是2017年提出的一种深度学习模型，旨在解决小目标检测的问题，...
train_retinanet目标检测_RetinaNet_目标检测_keras_tensrflow_
10-01
**RetinaNet目标检测技术详解** RetinaNet是一种在计算机视觉领域广泛应用的目标检测算法，它由Kaiming He、Ross Girshick、Kai Zhang和Michael torchvision在2017年提出。该算法解决了传统单阶段检测器如YOLO和SSD...
目标检测模型-RetinaNet模型-Pytorch版本
最新发布
05-14
RetinaNet是在YOLO V2之后、YOLO V3之前的一个目标检测模型。它通过引入Focal Loss损失函数，解决了传统单阶段目标检测模型中前景（positive）和背景（negative）类别不平衡的问题。Focal Loss能够减少容易分类的负...
基于megengine的retinanet的目标检测模型，主干网络ResNet101
10-17
**基于MegEngine的RetinaNet目标检测模型** 在深度学习领域，目标检测是计算机视觉中的一个关键任务，它旨在在图像中识别并定位出不同类别的物体。RetinaNet是一种高效且准确的目标检测模型，由Kaiming He等人在...
基于megengine的retinanet的目标检测模型，主干网络ResNet34
10-17
这里我们将深入探讨MegEngine、RetinaNet以及ResNet34这三个关键概念，并了解它们如何协同工作来实现高效的目标检测。 **MegEngine**: MegEngine 是一个开源的深度学习框架，由旷视科技开发。它提供了高效的计算图...
基于TensorFlow Object Detection API实现RetinaNet目标检测网络（附源码）
liuqiker的博客
05-26 1225
RetinaNet是作者Tsung-Yi Lin和Kaiming He于2018年发表的论文Focal Loss for Dense Object Detection中提出的网络。RetinaNet凭借其结构精简清晰、可扩展性强、检测准确率高等特点，成为了很多目标检测算法的baseline。在模型的训练过程中，经常会遇到这样的场景：我们需要保存某个时刻训练好的模型参数，这样在对模型进行微调时，才能使用保存好的参数继续训练，而不是再随机生成参数大范围的拟合。
关于RetinaNet目标检测算法的理解
qq_38765426的博客
05-03 2428
算法介绍 距离上次写博客快过一个月了，哈哈 这篇博客会写了特别特别长 RetinaNet目标检测算法是和YOLOv3算法同时期的，RetinaNet算法的准确率要比YOLOv3要高很多，当时速度慢很多。我记得YOLOv3作者的还在他那篇论文中提过它，不得了不得了，YOLO大佬可是惜字如金的！ 言归正传， RetinaNet网络其实就是ResNet+FPN+FCN网络的组合，损失函数为Focal l...
学习FPN和retinanet的网络结构
墨藍的博客
12-04 1万+
 多尺度上目标识别是计算机视觉领域的一个基本挑战，解决这一挑战的基本方法就是“基于图像金字塔的特征金字塔（简称为特征图像金字塔）”，这些金字塔具有尺度不变性，可以通过扫描位置和金字塔层来检测大范围上的尺度。将图像金字塔各层提取特征的主要好处就在于产生了一个多尺度特征表示，这个表示的所有层语义很强，包括高精度的层。尽管这样，然而，对每层进行特征提取有很明显的限制，Inference time将急剧上...
RetinaNet
一路狂奔的猪的博客
03-31 2409
在使用网络结构时常常会遇到例如 Res50-FPN-RetinaSubNet的网络组合。 初学者常常会疑惑这是什么结构，甚至会问这是one-stage还是two-stage，实际 RetinaNet=FPN+subnetwork+FL 即RetinaNet是FPN-based 的one-stage detector，靠focal loss进行处理类别不平衡问题。 详细参考：https://...
RetinaFace 人脸关键点
jacke121的专栏
11-07 4347
这个113m https://github.com/supernotman/RetinaFace_Pytorch hopenet 可以从别的地方下载，1070 人脸检测30ms https://github.com/ElvishElvis/68-Retinaface-Pytorch-version c++ 106关键点： https://github.com/Char...
目标检测之RetinaNet(Focal Loss)
thisiszdy的博客
04-28 898
一、目标检测之RetinaNet(Focal Loss) Focal Loss for Dense Object Detection 论文链接：https://arxiv.org/abs/1708.02002 论文翻译：https://blog.csdn.net/PPLLO_o/article/details/88952923 论文详解：https://blog.csdn.net/JNingWe...
目标检测-斜框IOU,nms计算
qq_29296685的博客
08-21 7494
1 旋转IOU """ 2019.7.4 计算旋转的iou """ #coding=utf-8 from __future__ import absolute_import from __future__ import division from __future__ import print_function import os import numpy as np import cv2 ...
RetinaNet算法是如何进行目标检测的
03-12
RetinaNet算法是一种基于深度学习的目标检测算法，它使用了一种新的损失函数，称为Focal Loss，来解决类别不平衡问题。该算法通过在不同尺度下进行特征提取和预测，结合Focal Loss来进行目标检测。具体来说，RetinaNet使用了一个特殊的网络结构，称为Feature Pyramid Network (FPN)，来提取不同尺度下的特征，然后使用一个分类网络和一个回归网络来预测每个位置的物体类别和边界框。通过使用Focal Loss，RetinaNet能够更好地处理类别不平衡问题，从而提高目标检测的准确率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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