Grid R-CNN 算法笔记

最新推荐文章于 2024-05-25 09:47:13 发布
最新推荐文章于 2024-05-25 09:47:13 发布
阅读量2.7k 收藏 10
点赞数 7
分类专栏： 深度学习 计算机视觉 目标检测-object detection
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/u014380165/article/details/95238679
版权
Grid R-CNN是CVPR2019提出的一种目标检测算法，它结合了Faster RCNN和CornerNet的优点，使用关键点检测确定目标框位置。论文中，Grid R-CNN通过9个关键点预测取代位置回归，提高了检测精度。在inference阶段，9个关键点的加权求和得到预测框边界。特征融合和extended region mapping的优化进一步提升了模型效果。

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

论文：Grid R-CNN
论文链接：https://arxiv.org/abs/1811.12030
代码链接：https://github.com/STVIR/Grid-R-CNN
代码链接2：https://github.com/open-mmlab/mmdetection

这篇目标检测论文发表在CVPR2019，整体上是将two-stage类型的目标检测算法中的位置回归支路用基于关键点检测的支路来代替从而取得更好的实验结果，如图Figure1所示。比较有吸引力的点自然就是基于关键点检测，论文发表的背景正好是CornerNet提出没多久的时候，CornerNet将关键点预测引入目标检测算法从而实现在没有anchor的情况下准确预测目标框位置的目标，但是Grid RCNN还是基于anchor来实现的，因此算是比较有特点的算法。
在这里插入图片描述
显然，Grid RCNN是基于anchor的two-stage算法，RPN部分的训练和Faster RCNN一样，但是检测部分采用基于关键点的预测来确定目标框的位置，因此很像是结合了Faster RCNN和CornerNet的产物，网络的整体框架如Figure2所示。和CornerNet中采用两个关键点不同，Grid RCNN采用了更多的预测点（默认是9个关键点），这是为了避免单个预测点预测不准带来的效果下降，反正不会对速度造成太大的影响，所以能利用更多的信息当然更好。

Grid RCNN的主体部分还是和Faster RCNN类似，只不过RoI Pooling用精度更高的RoI Align代替，RoI Align后得到的特征图尺寸设计为14×14。分类支路和Faster RCNN算法是一致的，但是关键点预测支路（grid branch）稍有不同。关键点支路包含dilated卷积层和反卷积层，最后得到9组

最低0.47元/天 解锁文章
论文阅读笔记 | 三维目标检测——PV-RCNN算法
Clichong
12-08 1752
基于voxel（paper中提到的是grid-based）的方法计算效率更高，但不可避免的信息损失降低了细粒度定位精度；而基于point的方法计算成本更高，但是通过PointNet++中的SA层（set abstraction layer）可以实现更大的感受野（这种说法是首次提出的）。 PV-RCNN的想法也是同时结合这两种方法的优势，取其所长，利用voxel-based操作进行有效的多尺度信息编码，生成高质量的3d候选框；同时利用改进的set abstraction模块操作保留精确的位置信息和灵活的感受
「Computer Vision」Note on Grid R-CNN
小锋子Shawn
11-30 676
QQ Group: 428014259 Sina Weibo：小锋子Shawn Tencent E-mail：403568338@qq.com http://blog.csdn.net/dgyuanshaofeng/article/details/84667027 [1] Grid R-CNN 2018 [paper]
Grid-R-CNN
03-15
网格R-CNN 在CVPR 2019上发布的更新Grid R-CNN的基于mmdetection的实现。原始文件在，更新的详细信息可以在此看到。 安装 该项目基于mmdetection对象检测框架。 要求 Python 3.5+（ ） PyTorch 1.0+或PyTorch-每晚 CUDA 9.0+ GCC 4.9+ 使用mmdetection安装Grid R-CNN 一种。 创建一个conda虚拟环境并激活它。 然后安装Cython。 conda create -n open-mmlab python=3.7 -y source activate open-mmlab conda install cython b。 按照稳定或每晚安装PyTorch和Torchvision。 C。 克隆此存储库。 d。 编译cuda扩展。 ./compile.sh e。 设置mmde
Grid rcnn
liguandong
03-17 690
Grid rcnn Abstract: the grid rcnn captures the spatial information explicitly and enjoys the position sensitive property of fully convolutional architecture. Instead of using only two independent po...
Grid R-CNN
weixin_43489950的博客
03-19 550
Grid R-CNN Grid R-CNN这篇论文是刚刚由商汤提出的，其主要是对faster R-CNN框架中定位框回归支路的更改，将以往通过回归方式实现proposal位置修正的方法，更改为...
Grid R-CNN理解
？？？的博客
12-15 8599
Grid R-CNN Grid R-CNN这篇论文是刚刚由商汤提出的，其主要是对faster R-CNN框架中定位框回归支路的更改，将以往通过回归方式实现proposal位置修正的方法，更改为通过全卷积网络来实现目标定位框的精确修正。借助卷积层生成的heatmap来确定初始的网格点，并通过这些网格点确定定位框的四条边。之所以做出这样的改变，作者阐述全卷积网络对位置更加具有敏感性，能够更好的实现更...
推荐文章：Grid R-CNN —— 强大的实例分割框架
最新发布
gitblog_00063的博客
05-25 351
推荐文章：Grid R-CNN —— 强大的实例分割框架 Grid-R-CNN项目地址:https://gitcode.com/gh_mirrors/gr/Grid-R-CNN 1、项目介绍 Grid R-CNN 是一个基于 mmdetection 框架的深度学习项目，它在 2019 年的 CVPR 大会上首次发表，并后续进行了更新。该项目旨在解决复杂的实例分割任务，特别是在处理多尺度和不规则形...
《Grid R-CNN Plus: Faster and Better》论文笔记
m_buddy的博客
08-04 377
代码地址：Grid R-CNN 1. 概述 导读：Grid R-CNN将原（Faster R-CNN）中检测框偏移预估的问题转换为网格点预估问题，有了网格点的帮助，检测的性能有了进一步提升。而这篇文章提出的改进主要在原Grid R-CNN的基础上提升速度，同时也提升精度，改进之后的方法叫作Grid R-CNN Plus。其在COCO数据集上基于Res50-FPN获得了40.4%的mAP，超过前一...
深度学习与CV教程(12) | 目标检测 (两阶段,R-CNN系列)
pythonxxoo的博客
06-08 2550
本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。ShowMeAI在前面的内容中给大家做了很多图像分类的介绍，主要围绕卷积神经网络（LeNet / AlexNet / NIN / VGG / Google / ResNet / MobileNet / squeezenet）讲解，但计算机视觉领域有其他一些更为复杂的任务，例如本篇开始介绍的目标检测（object
【阅读笔记】《Depth-Aware CNN for RGB-D Segmentation》（D-CNN）（一）——论文部分
ShuqiaoS的博客
03-12 3846
本文记录了博主阅读论文《Depth-Aware CNN for RGB-D Segmentation》的笔记，更新于2019.03.12。 《Depth-Aware CNN for RGB-D Segmentation》摘要IntroductionDepth-Aware CNNDepth-Aware ConvolutionDepth-Aware Average PoolingUnderstandi...
Grid R-CNN 翻译
qq_20481015的博客
12-19 1005
Grid RCNN时候商汤的最新力作 摘要 本文提出了一种新的目标检测框架Grid R-CNN，该框架采用网格引导的定位机制进行精确的目标检测。与传统的基于回归的方法不同，网格R-CNN对空间信息进行了显式捕获，具有全卷积架构的位置敏感特性。为了减少特定点预测不准确的影响，我们设计了一个多点监督公式来编码更多的线索，而不是仅仅使用两个独立的点。为了充分利用网格中各点之间的相关性，提出了一种两阶...
Grid RCNN 阅读笔记
Vivianyzw的博客
12-26 926
1. 摘要 Abstract 与传统回归不同，Grid RCNN利用全卷积结构来抓取了空间信息。设计一种多点，而非只用两个独立的点，的监督形式来编码更多的线索，为了减少具体的点的不准确推测的影响。为了充分发挥网格点的相关性的优势， 我们采用了两阶段融合侧率来融合邻网格点的特征图。网格限制的定位方法很容易拓展到不同的检测框架中。Grid RCNN是高质量的物体检测策略。和Res50的Faster ...
Grid R-CNN解读：商汤最新目标检测算法，定位精度超越Faster R-CNN
AI科技大本营
12-22 3221
作者 | 周强来源 | 我爱计算机视觉Grid R-CNN是商汤科技最新发表于arXiv的一篇目标检测的论文，对Faster R-CNN架构的目标坐标回归部分进行了替换，...
paper reading：《Grid R-CNN》
yuansiming0920的博客
08-21 386
CVPR 2018 论文链接： https://arxiv.org/pdf/1811.12030.pdf Grid R-CNN是商汤科技最早发表于arxiv的一篇目标检测的论文，对于Faster R-CNN架构的目标坐标回归部分进行了替换，取得了更加精确的定位精度。 该文所有作者均来自于商汤科技，Grid用来修饰R-CNN，意即将目标检测中位置定位转化为目标区域网格点的定位。 文章目录1 Background and Motivation2 Related Work3 Advantages/Contrib.
Grid RCNN学习笔记
_liuzt的博客
12-04 507
Grid R-CNN CVPR2018 商汤 Abstract 本文提出了一种基于网格引导定位的目标检测算法Grid R-CNN Grid R-CNN获取空间信息并且利用全卷积结构的位置敏感性 Different from the traditional regression based methods, the Grid R-CNN captures the spatial information explicitly and enjoys the position sensitive propert
目标检测论文阅读：Grid R-CNN算法笔记
qq_43631268的博客
01-02 665
这篇文章提出了一种非常新颖的、利用网格引导定位机制的目标检测框架，命名为Grid R-CNN。不同于传统的基于回归的方法，Grid R-CNN会使用位置敏感的全卷积结构来捕获空间信息。本文用多个网格点共同监督的方式来减少只用两个点定位（bbox的左上角和右下角）带来的预测误差影响。本文提出了一种两阶段的信息融合方式，将相邻网格点的特征图进行融合来充分利用网格点的相关信息。这种网格引导定位的方法可以很方便地嵌入到不同的主流目标检测模型中。实验证明，Grid R-CNN可以实现高质量的目标定位。
论文阅读：Grid R-CNN
Kivee的博客
01-30 951
Grid R-CNN 文章   CornerNet是one-stage的基于关键点的detector，那么可以不可以在two-stage上用上类似的方法呢？Grid R-CNN就是这样的方法。和普通的two-stage的第二步对RoI进行回归不一样，该方法直接利用RoI feature对物体的Grid（多个关键点）进行proposal的位置修正。   和CornerNet一样，本文也发现了很...
Grid RCNN论文理解
donkey_1993的博客
01-11 5704
Grid RCNN 商汤11月份提出的论文。 论文下载地址：https://arxiv.org/abs/1811.12030 论文代码复现： 论文创新点： 1. 使用了全卷积网络来代替目标检测里面的全连接层。 2. 加入了融合机制使得标注框更加的精确。   算法整体流程： 算法的整体流程经过RPN找到候选区域，然后通过感兴趣区域得到特征图。将特征图传到 全卷积网络层里面 输出最...
论文阅读笔记三十七：Grid R-CNN（CVPR2018）
weixin_34378045的博客
12-23 294
论文源址：https://arxiv.org/abs/1811.12030 开源代码：未公开 摘要 本文提出了目标检测网络Grid R-CNN，其基于网格定位机制实现准确的目标检测。传统方法主要基于回归操作，Grid R-CNN则捕捉详细的空间信息，同时具有全卷积结构中对位置信息的敏感性。【Instead of using only two independent ...
机器学习技术与应用的Jupyter笔记本合集
Jupyter Notebook支持多种编程语言，包括Python、R和Julia等。 #### 机器学习技术主题 Jupyter Notebook集合中可能包含的机器学习技术主题很广泛，例如： - 数据预处理：包括数据清洗、数据标准化、特征选择和提取...
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