FPN及其feature map特征融合（CVPR2016：Feature Pyramid Networks for Object Detection）

最新推荐文章于 2023-11-06 13:44:01 发布
置顶 VIP文章 最新推荐文章于 2023-11-06 13:44:01 发布
阅读量2.4k 收藏 14
点赞数 1
分类专栏： experiment 文章标签： deep learning
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/shitDjango/article/details/90273288
版权
1 feature map的计算

以feature map的大小区分conv1 conv2 … 在conv1或conv2中feature map的大小是不变的，从conv1到conv2的某种操作feature map大小才会改变。
以VGG16为例，padding=0的池化操作改变feature map大小。
实际上在卷积或池化后：
feature map size = output size
n filters = n channels = n feature map（n=64,128,256,512,1024…）
在这里插入图片描述
一个input image：WxH=224x224的RGB,c=3或k=3的三通道图像，经过Conv1_1feature map的大小为224x224,通道的改变即为卷积核的个数变化。

c：图像通道数 w：图像宽度 h：图像高度

最低0.47元/天 解锁文章
oneDjango
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
FPN.pdf Feature Pyramid Networks
02-13
FPN.pdf Feature Pyramid Networks
FPN:用于目标检测的特征金字塔网络
05-16
caffe上的金字塔网络 这是用于对象检测的特征金字塔网络的非官方版本特征金字塔网络 结果 FPN(resnet50)-end2end result is implemented without OHEM and train with pascal voc 2007 + 2012 test on 2007 合并rcnn mAP@0.5 飞机 自行车 鸟 船 瓶子 公共汽车 车 猫 椅子 牛 0.788 0.8079 0.8036 0.8010 0.7293 0.6743 0.8680 0.8766 0.8967 0.6122 0.8646 餐桌 狗 马 摩托车 人 盆栽植物 羊 沙发 火车 电视 0.7330 0.8855 0.8760 0.8063 0.7999 0.5138 0.7905 0.7755 0.8637 0.7736 共享rc
深度特征融合---高低层（多尺度）特征融合
热门推荐
xys430381_1的专栏
03-09 12万+
在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。 空洞卷积 高低层特征直接concat 融合特征的SSD：对小目标的快速检测 FSSD: Feature Fusion...
FPN+PAN结构学习
爱CV
12-20 3万+
yolo4的neck结构采用该模式，我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。 如图所示，FPN是自顶向下的，将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。 和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层进行参数
一文看尽物体检测中的各种FPN
Bruce_0712的博客
09-30 1680
早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。 由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooling去掉或者将str
AI大视觉（六) | 特征金字塔（FPN）如何进行特征融合？
aibigtruth的博客
06-11 5566
本文来自公众号”AI大道理“ 在深度学习的很多工作中（例如目标检测、图像分割），融合不同尺度的特征是提高性能的一个重要手段。 低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。 高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。 如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。 图像金字塔（Featurized image pyramid） 传统方法，通过对图像进行降采样处理，提取每层图像的特征，然后在每层...
特征融合（一）：FPN-特征金字塔网络
小嘤熊的博客
11-06 393
高语义特征经过上采样后，其长宽与对应的浅层特征相同，而通道数固定为256，因此需要对浅层特征C2至C4进行1×1卷积使其通道数变为256，然后两者进行逐元素相加得到P4、P3与P2。C1代表了ResNet的前几个卷积与池化层，而C2至C5分别为不同的ResNet卷积组，这些卷积组包含了多个Bottleneck结构，组内的特征图大小相同，组间大小递减。：在得到相加后的特征后，利用3×3卷积对生成的P2至P4再进行融合，目的是消除上采样过程带来的重叠效应，以生成最终的特征图。
关于FPN（特征金字塔网络）层间融合的理解
weixin_39908946的博客
06-09 3646
主要是FPN层间融合的个人理解 Feature Pyramid Networks for Object Detection 论文链接: https://arxiv.org/abs/1612.03144. 盗图如下链接: https://blog.csdn.net/WZZ18191171661/article/details/79494534. 1.图像特征金字塔简述 最早的图像特征金字塔 来源于 SIFT(尺度不变，特征变换) 然后 HOG(方向梯度直方图)，模仿人看东西远近不同的大小尺度，同时不同尺度，特
特征融合（五）：​BiFPN-双向特征金字塔网络
小嘤熊的博客
11-06 2264
在融合过程中，之前的一些模型方法没有考虑到各级特征对融合后特征的共享度问题，即之前模型认为各级特征的贡献度相同，而本文作者认为它们的分辨率不同，其对融合后特征的贡献度不同，因此在特征融合阶段引入了weight。图2(a) 是传统FPN，图2(b)是PANet，图2(c)是利用网络自动搜索的方式生成的不规则特征融合模块，且这个模块可以重复叠加使用【即堆叠同样的模块，不停地使用相同的结构融合多层特征】。：浅层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。
CNN中特征融合的一些策略
qq_43257640的博客
11-29 1万+
尽管特征融合的方法很多，但如果数学化地表示，大体可以分为以下几种形式： X+Y\textbf{X}+\textbf{Y}X+Y: X\textbf{X}X、Y\textbf{Y}Y表示两个特征图，+++表示元素级相加. 代表如ResNet、FPN X  concat  Y\textbf{X} \; concat\;\textbf{Y}XconcatY .concatconcatconcat表示张量 拼接操作。 代表如GoogleNet X+G(Y)⋅Y\textbf{X}+\textbf{G(Y)}\cd
FPN（feature pyramid networks）网络
01-22
FPN特征金字塔做目标检测
Panoptic Feature Pyramid Networks.pdf
11-12
FAIR何恺明团队最新论文提出“全景FPN”，聚焦于图像的全景分割任务，将分别用于语义分割和实例分割的FCN和...Facebook人工智能实验室(FAIR)何恺明等人团队在arXiv发布最新论文：Panoptic Feature Pyramid Networks。
FPN_Tensorflow：这是用于对象检测的特征金字塔网络的张量流重新实现
02-06
用于目标检测的特征金字塔网络 注意 基于FPN的。 支持多GPU培训！ 抽象 这是的的张量流重新实现。 该项目基于 ，由和完成。 对VOC 2007进行培训，对VOC 2007进行测试（PS。该项目还支持可可培训。） 比较方式 use_...
YOLOv3+small_mobilenetv3(change backbone)
shitDjango的博客
08-02 3843
1 small_mobilenet3_yolo_body(inputs, num_anchors, num_classes): …… 2 model_size
基于matlab实现二维小波时频图；图像；二维；时频分析；结决问题.rar
05-04
基于matlab实现二维小波时频图；图像；二维；时频分析；结决问题.rar
pentair 5800 SXT软水机说明书
05-04
pentair 5800 SXT软水机说明书
数据更新至2020年分地区6000千瓦及以上电厂发电量(合计).xls
最新发布
05-05
数据来源：中国电力统计NJ-2021版
node-v10.0.0-linux-x64.tar.xz
05-04
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
feature pyramid networks for object detection
06-28
特征金字塔网络（Feature Pyramid Networks, FPN）是一种用于目标检测的神经网络架构。它通过在深层特征图上构建金字塔结构来提高空间分辨率，从而更好地检测小目标。FPN具有高效的多尺度特征表示和鲁棒性，在COCO...

“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 3
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