论文阅读-ATSS

最新推荐文章于 2024-09-23 20:17:10 发布
最新推荐文章于 2024-09-23 20:17:10 发布
阅读量305 收藏
点赞数
分类专栏： 论文阅读
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/wangyue8888/article/details/104947923
版权

标题

Abstract

  • 论文验证了造成anchor_base和anchor_free两种检测方法精度差异的原因:如何定义正负样本.
  • 进而提出了Adaptive Training Sample Selection方法，根据样本特性动态调整正负样本的 IoU threshold.
  • 验证了不需要在featurn map的每个位置设置多个anchor,单个anchor也不会掉点.
  • 源码参考:https://github.com/sfzhang15/ATSS.
  • 论文链接:https://arxiv.org/abs/1912.02424

Introduction

说明了anchor_base和anchor_free检测器的3个不同点,以RetinaNet和FCOS为例:

  1. 特征图上每一个位置的的anchor数目不同:RetinaNet多个anchor,FCOS只有1个point.
  2. 正负样本的定义方式不同:RetinaNet用IOU阈值来定义;FCOS利用空间位置和尺度来定义.
  3. dtbox回归方式不同:RetinaNet从anchor_box回归;FCOS从anchor_point回归.

Related Work

  1. 排除其他trik的影响,对RetinaNet和FCOS进行训练,精度如下,AP差异为0.8%
  1. 让RetinaNet和FCOS采用相同的正负样本采样的方式进行对比,精度结果如下:
    同时采用IOU或者空间尺度信息会得到相同的效果,得出了造成anchor_base和anchor_free两种检测方法精度差异的原因:如何定义正负样本的结论.
    除此之外,也尝试了从anchor_box和anchor_point进行回归,结论是精度无差异.
  1. 基于以上结论提出了 Adaptive Training Sample Selection,具体实现步骤如下图:
  • 之前的正负样本选择方式(IOU或者空间尺度限制)都有超参数的限制,超参数的值会对检测器的结果造成很大影响,为了消除超参数的影响,提出了以上算法.
  • k值的设定也是鲁棒的,从7-19,精度差异不大,完全可以认为是hyperparameter_free的,作者选择的值是9.
  • 为什么IOU threshold = IOU均值+IOU标准差:
    IOU的标准差是为了选择出最合适的FPN曾:标准差大就意味者存在一个特别适合的FPN曾用来检测次对象,小就意味着不存在.IOU均值是为了筛选个好的正样本出来,所以IOU阈值用了他们的和.
  • 根据统计,正样本数量大概为0.2kL
  • ATSS会提升大概2个点
【目标检测】ATSS论文阅读笔记
聿默的博客
06-05 363
论文：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection代码：https://github.com/sfzhang15/ATSS 本文提出anchor-based与anchor-free目标检测方法的核心区别在于对正负样本的定义不一样，并认为这点是导致anchor-based与anchor-free两者性能差异的关键。......
【论文笔记】：ATSS
热门推荐
Activewaste
03-05 1万+
&Title Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 代码 &Summary 论文主要阐述了对于正负样本的定义和选取对模型最终效果的影响。 首先是对比了anchor_free和anchor_base在选取样本时...
ATSS论文解读和简洁代码实现
gongyi_yf的博客
12-15 1814
目录论文解读 本文是对论文Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection的解读和实现。 在编程过程中，代码中有一些参考或照抄了maskrcnn_benchmark和mmdetection的地方，特此声明。 论文解读 ...
ATSS论文阅读笔记
qq_62679853的博客
08-10 579
论文笔记
论文阅读：ATSS
j879159541的博客
05-11 496
文章目录1、论文总述2、three main differences between RetinaNet and FCOS3、RetinaNet and FCOS 的正负样本分配策略4、交换RetinaNet and FCOS 的正负样本分配策略之后？5、ATSS算法流程6、the necessity of tiling multiple anchors per location7、Detection results on MS COCO test-dev set 1、论文总述 论文全称：Bridging
ATSS 论文阅读笔记以及核心代码解析
qq_42032739的博客
07-29 2103
文章目录1 论文题目2 论文目的3 论文实现4 核心代码解读 1 论文题目 Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection 本篇论文也是入选了2020年的CVPR，算是今年CVPR里目标检测方向为数不多的论文之一。 2 论文目的 首先，本文作者指出在目标检测的方法中，anchor-based的方法与anchor-free的方法之间主要的区别
ATSS论文阅读汇报
ylwhxht的博客
05-26 701
目标检测 | Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection论文阅读 解读：本科生黄勋 联系邮箱：201821121104@jmu.edu.cn 论文地址：https://arxiv.org/pdf/1912.02424.pdf 开源代码：https://github.com/sfzhang15/ATSS 论文作者及研究团队概述： 团队成员包括张世锋
CVPR2020--ATSS： Adaptive Training Sample Selection
幸福花落泪的专栏
06-25 549
Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection ATSS为CVPR2020中的一篇论文，论文题目如上所示，大体意思为通过自适应选择训练样本来弥补基于锚和无锚检测器的差距。因为目前大多数目标检测成果都是在anchor-based的基础上产生的，但之前刚好读过anchor-free的论文FCOS，意识到anchor-free也是有很大的优势的，所以刚好借
【论文阅读】ATSS:Adaptive Training Sample Selection
一碗白开水一
02-28 242
题目：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection motivation: 作者想找到anchor base 和anchor free 的区别，并设计一种anchor选取的方法。 method ： 分析下RetinaNet和FCOS在算法上的差异，主要有以下3点： RetinaNet在特征图上每个点铺设多个anchor，而FCOS在特征图上每个点
【论文阅读笔记】TOOD: Task-aligned One-stage Object Detection
时光机 °的博客
09-23 1128
由于分类和定位学习机制的差异，两个任务学习到的特征空间分布可能不同。当两个任务分支单独预测时，会导致一定程度的不对齐。如下图111所示，上面行是ATSS算法预测的结果，下面行是本文TOOD算法预测的结果。图中黄色框是餐桌的label，分类任务的最佳位置是红色色块，其边框预测为红框；回归任务的最佳位置是绿色色块。从图111可以容易看出，在原有方法训练管道得到的结果，可能会出现分类任务和定位任务的不对齐问题。
ATSS机制原理深度讲解
08-19
ATSS机制原理深度讲解
ATSS 论文学习
calvinpaean的博客
03-15 1198
Abstract 基于anchor的检测器在过去很多年都主导着目标检测领域。最近由于FPN和 Focal Loss 的提出， anchor-free 的检测器逐渐流行了起来。本文中，作者指出了基于anchor和anchor-free方法的本质区别，就是如何定义正负样本，它造成了这些方法之间的表现差异。如果它们在训练时采用同样的正负样本定义，它们最终的表现并没有明显的不同，不管是从边框还是一个点进行...
ATSS论文要点总结（Adaptive Training Sample Selection）
u012374012的专栏
08-27 623
在目标检测中，anchor-based 和 anchor-free 检测器性能差异的关键在于正负样本的定义方式。如果训练过程中使用相同的正负样本定义，两者性能将无明显差异。基于此，作者提出 ATSS 方法，根据目标的统计特征自动选择正负样本，以弥补 anchor-based 和 anchor-free 检测器之间的差距。算法其实就做了三件事：（1）为每个GT box在每个level特征图上选择候选正样本集合；（2）计算每个GT box所有候选正样本的数字特征；（3）根据特征选择正负样本。
ATSS论文解读
ckqsars的博客
12-30 6389
ATSS论文解读链接文章创新点详细解读合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 链接 论文地址：Bridging the ...
ATSS论文完全解读
lt1103725556的博客
05-18 1607
结论： （1）anchor free的FCOS与anchor-based的RetinaNet的本质区别是正/负样本的选择方式不同，且还有改进空间，改进方法即ATSS （2）在已经使用了ATSS的前提下，feature map上一个点对应多少个anchor就影响不大了 FCOS和RetinaNet的主要区别 （1）feature map上每个点对应的anchor数量不同 FCOS的feature map上一个点对应一个anchor RetinaNet的一个点对应9个anchor（3种scale、3种rati
ATSS论文的译读笔记
墨门
07-25 191
目标检测多年来由anchor-based的检测器主导。如今，anchor-free检测器由于FPN和Focal-Loss的提出变得十分流行。本文首先指出，anchor-based和anchor-free检测之间本质的差异时在于如何定义训练的正负样本，这会导致它们之间性能的差距。如果它们在训练中使用相同的正负样本定义，在最终的性能上则不会有明显的不同，无论它们是从box还是point上进行回归。这表明如何选择训练的正负样本对于目标检测器来说是十分重要的。...
Varifocalnet: An iou-aware dense object de tector
最新发布
04-03
### VarifocalNet 的工作原理 VarifocalNet 是一种基于 FCOS 和 ATSS 架构的 IoU 感知密集目标检测器，旨在通过改进候选框排序机制提升检测性能。其核心创新在于引入 IACS（IoU-Aware Confidence Score），并设计了新的损失函数——Varifocal Loss 以及星形锚框特征表示方法。 #### 1. **IACS 定义** IACS 被定义为分类得分向量中的标量元素，在 ground-truth 类标签位置上的值等于预测边界框与其对应的 ground truth 边界框之间的 IoU 值，而其他位置则设置为零[^3]。这种方法使得模型能够同时考虑目标存在的置信度和定位精度，从而提供更加可靠的候选框排序依据。 #### 2. **Varifocal Loss** 为了优化 IACS 预测，作者提出了一种新的损失函数——Varifocal Loss。该损失函数不仅关注正样本与负样本之间的区分能力，还进一步强调高 IoU 正样本的重要性。具体而言，Varifocal Loss 可以动态调整不同类别样本对总损失的影响权重，从而使模型更好地聚焦于高质量的目标区域[^1]。 以下是 Varifocal Loss 的计算公式： ```python def varifocal_loss(pred, target, beta=2.0): pt = torch.where(target == 1, pred, 1 - pred) focal_weight = (target * (1 - pred)**beta + (1 - target) * pred**beta).detach() loss = F.binary_cross_entropy_with_logits( pred, target, reduction='none') * focal_weight return loss.mean() ``` #### 3. **星形锚框特征表示** 传统的锚框表示方式可能无法充分捕捉复杂场景下的目标形状变化。因此，VarifocalNet 提出了星形锚框特征表示法，通过对初始锚框进行微调来适应实际目标的位置偏移和尺度差异。这种表示方法有助于提高模型对目标边界的敏感程度，并增强最终预测的质量。 #### 4. **整体框架结构** VarifocalNet 结合上述技术模块构建了一个完整的端到端解决方案。它继承自 FCOS+ATSS 架构，但在以下几个方面进行了显著改进： - 使用 IACS 替代传统分类分数； - 引入 Varifocal Loss 进行更高效的监督信号传递； - 利用星形锚框特征表示改善回归分支的表现。 这些改动共同作用下，使 VarifocalNet 成功实现了更高的 AP（Average Precision）指标表现[^2]。 --- ### 实现细节 在 PyTorch 中实现 VarifocalNet 主要涉及以下部分： 1. 数据预处理：加载图像数据集并对输入图片执行标准化操作。 2. 模型搭建：按照论文描述创建主干网络（如 ResNet）、FPN 层次化特征提取层以及头部组件（包括分类头、回归头等）。 3. 训练流程配置：设定超参数（学习率调度策略、批次大小等），指定使用的损失函数形式（即 Varifocal Loss），最后完成前向传播与反向梯度更新过程。 下面给出一段简化版代码片段展示如何初始化模型及定义主要组成部分之一—分类头的设计思路： ```python import torch.nn as nn class VFNetClsHead(nn.Module): def __init__(self, num_classes, in_channels): super(VFNetClsHead, self).__init__() self.conv_cls = nn.Conv2d(in_channels, num_classes, kernel_size=3, padding=1) def forward(self, x): cls_score = self.conv_cls(x) return cls_score.flatten(start_dim=2).permute(0, 2, 1) ``` ---
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