层与特征融合_常见特征金字塔网络FPN及变体

最新推荐文章于 2024-07-07 22:05:09 发布
最新推荐文章于 2024-07-07 22:05:09 发布
阅读量2.9k 收藏 12
点赞数 2
文章标签： 层与特征融合
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/weixin_29607637/article/details/112578963
版权
本文深入探讨了特征金字塔网络FPN在目标检测中的应用，包括FPN结构概述、最简单的FPN结构、无FPN的多stage结构、简单双向融合如BiFPN，以及Recursive-FPN循环特征金字塔网络。FPN通过融合不同尺度的特征图，增强了特征表达能力，提高了目标检测的准确性。
摘要由CSDN通过智能技术生成
↑↑↑关注后" 星标 "天池大数据科研平台 人人都可以玩转大数据

 阿里云天池发布 

来源：机器学习炼丹术     作者：机器学习炼丹术

文章目录：

  • 1 概述

  • 2 FPN结构概述

  • 3 最简单的FPN结构

  • 4 无FPN的多stage结构

  • 5 简单双向融合

  • 6 BiFPN

  • 7 Recursive-FPN循环特征金字塔网络

1 概述

FPN是Feature Parymid Network的缩写。

目标检测任务中，像是在YOLO1中那种，对一个图片使用卷积来提取特征，经过了多个池化层或者stride为2的卷积层之后，输出了一个小尺度的特征图。然后再这个特征图中来做目标检测。

换句话说，最后得到的目标检测的结果，完全是依赖于这一个特征图，这种方法叫做单stage物体检测算法。

可想而知，这种方法很难有效的识别出不同大小的目标，所以产生了多stage检测算法，其实就是要用到了特征金字塔FPN。

简单的说就是：一个图片同样是经过卷积网络来提取特征，本来是经过多个池化层输出一个特征图，现在是经过多个池化层ÿ

最低0.47元/天 解锁文章
凿船尸爷
关注
  • 2
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
特征融合篇 | YOLOv8 引入长颈特征融合网络 Giraffe FPN
YOLOv8项目贡献者
01-21 2642
YOLOv8 引入长颈特征融合网络 Giraffe FPN
特征融合篇 | YOLOv10 引入长颈特征融合网络 Giraffe FPN
最新发布
YOLOv8项目贡献者
07-08 445
特征融合篇 | YOLOv10 引入长颈特征融合网络 Giraffe FPN
深度学习笔记------现阶段的目标检测器结构解析（Neck[FPN,PANet,Bi-FPN],Head[rpn,yolo...]）
YOULANSHENGMENG的博客
12-10 1万+
目录 1. 概述 2. 经典Neck的回顾 2.1FPN(特征金字塔结构) 2.2 PANet 2.2.1创建了自下而上的路径增强 2.2.2 Adaptive Feature Pooling 2.3 Bi-FPN及FPN的演进ASFF，NAS-FPN，Recursive-FPN） 3 典型head回顾 3.1 RPN(RegionProposal Networ) 3.1.1 RPN的运作机制 3.1.2RPN详解 3.2 无融合SSD类型的head 3.3 自...
从特征融合的视角设计图神经网络的拓扑结构
Paper weekly
05-06 2512
©作者 | 卫岚宁，赵欢，贺志强论文标题：Designing the Topology of Graph Neural Networks: A Novel Feature Fusion Perspective论文链接：https://arxiv.org/pdf/2112.14531.pdf代码链接：https://github.com/AutoML-Research/F2...
18_特征金字塔网络FPN结构详解
https://github.com/foxpup11?tab=repositories
07-07 1605
https://www.bilibili.com/video/BV1dh411U7D9/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
特征融合（一）：FPN-特征金字塔网络
小嘤熊的博客
11-06 582
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。
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 5887
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...
将特征融合到一个网络里
weixin_73101319的博客
03-13 462
在输入的时候，我们可以将三张图片合成为3通道输入，然后在三个通道上，分别用神经网络进行卷积，然后将卷积的图像，在全连接层，进行concat，然后进全连接层输出分类数目。输入的图像为（B,N,H,W），chunk为合成的几维数据，这里是将三张图像融合，所以是三维。这里只是融合1通道的医学图像，如果为3通道的彩色图像，需要先将图片的维度合并，然后将输入的维度进行3个3个拆分后卷积拼接，等用到的时候再改代码吧。我们如何将多张图片的特征融合到一块，这里提供了一种处理通道为1的医学图像方法。
TIP2021 | 视频超分辨率中的多级特征融合网络
WangsyHebut的博客
03-26 1373
论文链接：https://ieeexplore.ieee.org/document/9351768/现有的VSR方法的主要问题是参考帧的特征与相邻帧的特征的融合是一步的，融合后的特征可能与原始LR中的视觉信息有较大的偏差。本文提出了一种端到端的多阶段特征融合网络，主要贡献为：下图显示了框架fMSFFNf_{MSFFN}fMSFFN​，包括两个子网：时间对齐网络fTANf_{TAN}fTAN​和调制特征融合网络fMFFNf_{MFFN}fMFFN​。 fTANf_{TAN}fTAN​接受ItLRI^{LR}_
目标检测中多尺度：特征金字塔FPN_Feature Pyramid Networks for Object Detection
huangyiping12345的博客
01-21 4554
原始内容来源于： https://blog.csdn.net/cdknight_happy/article/details/100528127 https://blog.csdn.net/WZZ18191171661/article/details/79494534 包含理解！ 参考文献：https://arxiv.org/abs/1612.03144 代码实现：http://www.yueye....
基于并行特征金字塔网络的目标检测
最近开发的对象检测器通过逐渐增加具有金字塔形状的特征层的数量而不是使用特征化图像金字塔来采用卷积神经网络（CNN）。然而，CNN特征层的不同抽象级别通常限制了检测性能，特别是在小对象上。 为了克服这一限制，...
"FaPN: 密集图像预测的特征对齐金字塔网络
864FaPN：用于密集图像预测的特征对齐金字塔网络黄志超卢冉程* 程和南方科技大学†{shihuahuang95，luzhichaocn，ranchengcn，chenghehust}@gmail.com摘要深度神经网络的最新进展在密集图像预测方面取得了显着的飞跃...
深度卷积网络--特征融合
Tc、zyh的博客
12-05 6385
文章目录一、特征融合介绍（1）早融合：（2）晚融合： 一、特征融合介绍 特征融合的目的是把从图像中提取到的特征，合并成一个比输入图片特征更具有判别能力的特征。 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。 很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序
深度学习跨层网络结构--特征融合
weixin_42503655的博客
09-30 5211
深度学习、跳跃连接，跨层连接，特征融合方式
多尺度特征融合总结（金字塔结构）
热门推荐
m0_53955985的博客
06-05 3万+
列举了一些经典的模型来帮助快速了解什么是特征金字塔，以及对于多尺度图像的处理方式，
多任务：分层特征融合网络 NDDR-CNN
qq_21157073的博客
08-09 6506
论文链接：NDDR-CNN 论文摘要： In this paper, we propose a novel Convolutional Neural Network (CNN) structure for general-purpose multi-task learning (MTL), which enables automatic feature fusing at every layer ...
特征级融合_ECCV2020（oral） 实时语义分割之利用语义流对齐不同层次特征
weixin_39768371的博客
11-20 574
Semantic Flow for Fast and Accurate Scene Parsinghttps://arxiv.org/abs/2002.10120​arxiv.org一 文章出发点文章的出发点可以从下面一段话一窥究竟。众所周知，语义分割为像素级分类任务，有的像素需要高阶的语义信息才能较好的识别，而有的像素比较依赖空间细节。所以现有实时深度语义分割基本都会融合多种不同分辨率的特征进...
一文看尽物体检测中的各种FPN
Bruce_0712的博客
09-30 1808
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
FPN及其feature map特征融合（CVPR2016：Feature Pyramid Networks for Object Detection）
shitDjango的博客
05-16 2520
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，一个input imageWxHx3=224x224x3的RGB图像，经过Conv1_1feature map的大小为224x224 公式：W=H=...
特征金字塔网络 FPN思想是什么
04-15
具体来说，FPN通过自顶向下的路径从高层特征图中获取语义信息，并通过自底向上的路径将低层特征图与高层特征图进行融合，以获得更加丰富的多尺度特征表示。 2. 特征金字塔结构：FPN通过构建一个特征金字塔结构，使得...
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