深度特征融合---高低层特征融合

最新推荐文章于 2024-08-09 13:44:55 发布
最新推荐文章于 2024-08-09 13:44:55 发布
阅读量1.5w 收藏 64
点赞数 6
分类专栏： 计算机视觉

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，分类为早融合(Early fusion)和晚融合(Late fusion)。

早融合(Early fusion): 先融合多层的特征，然后在融合后的特征上训练预测器（只在完全融合之后，才统一进行检测）。这类方法也被称为skip connection，即采用concat、add操作。这一思路的代表是Inside-Outside Net(ION)和HyperNet。 两个经典的特征融合方法：
（1）concat：系列特征融合，直接将两个特征进行连接。两个输入特征x和y的维数若为p和q，输出特征z的维数为p+q；
（2）add：并行策略[36]，将这两个特征向量组合成复向量，对于输入特征x和y，z = x + iy，其中i是虚数单位。

晚融合(Late fusion)：通过结合不同层的检测结果改进检测性能（尚未完成最终的融合之前，在部分融合的层上就开始进行检测，会有多层的检测，最终将多个检测结果进行融合）。这一类研究思路的代表有两种：
（1）feature不融合，多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)
（2）feature进行金字塔融合，融合后进行预测，如Feature Pyramid Network(FPN)等。

DenseASPP for Semantic Segmentation in Street Scenes
语义分割–(DenseASPP )DenseASPP for Semantic Segmentation in Street Scenes

在本文中，我们介绍了多篇文章，但归纳起来共讨论了4类方法：
（1）早融合：用经典的特征融合方法：在现有的网络（如VGG19）中，用concat或add融合 其中的某几层；

  • FCN、Hypercolumns—>add
  • Inside-Outside Net(ION)、 ParseNet 、HyperNet—>concat
  • 变种：用DCA特征融合方法代替concat和add操作；

（2）晚融合：
（2.1）采用类似特征金字塔网络（FPN）的思想，对特征融合后进行预测。 （FPN一般用于目标检测，提高小目标检测能力） 三个变种：

  • YOLO2的方法，只在金字塔的top-down路径的最后一层进行预测，此外还有 U-Net [31] and SharpMask for segmentation, Recombinator networks for face detection, and Stacked Hourglass networks for keypoint estimation.
  • YOLO3的方法，在金字塔的每一层都进行预测
  • FSSD的方法，对 FPN进行细微改造

（2.2）feature不融合，多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector (SSD) , Multi-scale CNN(MS-CNN)

（3）用一个具有高低特征融合能力的网络替代普通的网络，如Densenet；
（4）不进行高低层特征融合，而是在高层特征预测的基础上，再用底层特征进行预测结果的 调整

===========================================================================================

Deep Feature Fusion for VHR（高分辨率图像） Remote Sensing Scene Classification(DCA特征融合方法)

https://blog.csdn.net/snail_crawling/article/details/84568071
特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。两个经典的特征融合方法：

（1）concat：系列特征融合[35]，直接将两个特征进行连接。两个输入特征x和y的维数若为p和q，输出特征z的维数为p+q；
（2）add：并行策略[36]，[37]，将这两个特征向量组合成复向量，对于输入特征x和y，z = x + iy，其中i是虚数单位。

孙等人[38]引入典型相关分析canonical correlation analysis (CCA) 来融合特征。基于CCA的融合方法使用两个输入特征间的相关关系，计算两种变换，变换后的特征比输入的两个特征集有更高的相关性 。
CCA的主要不足，在于忽略了数据集中类结构间的关系。我们想要最大化特征集之间的相关性，所以将每组特征中的类分开。
最近，[44]解决了CCA的弱点，引入了DCA。DCA最大化两个特征集中对应特征的相关关系，同时最大化不同类之间的差异。
在这里插入图片描述

基于神经网络的目标检测论文之目标检测方法：改进的SSD目标检测算法（DensNet）

我们的改进是使用DenseNet代替原始SSD结构中的VGG，以提高目标检测准确性。图4-9显示了以DenseNet为基础网络的SSD。
改进后的SSD网络对小物体比较敏感，能够对小物体产生很好的拟合。SSD中小物体检测的弱点可以通过所提出的模型来解决，并且对于具有独特上下文的类来说，性能更好。
在这里插入图片描述
在这里插入图片描述

FPN（feature pyramid networks）

https://blog.csdn.net/wangdongwei0/article/details/83140839
https://blog.csdn.net/WZZ18191171661/article/details/79494534

特征金字塔是识别不同尺度的目标时常用的结构，但是特征金字塔需要较大的计算量和显存，所以最近研发的一些探测器都不再使用这种结构。
作者开发出的一种构建特征金字塔的新方法，可以减少额外的对计算量和显存的消耗。
使用FPN作为backbone，Faster RCNN的精度进一步提升(因为提取的特征更加丰富)，速度为6fps on a GPU
最近在coco和imagenet上取得靠前名次的网络都采用了多尺度的方法。

在这里插入图片描述
在这里插入图片描述

YOLOv3——引入：FPN+多尺度检测 (目标检测)(one-stage)(深度学习)(CVPR 2018)

https://blog.csdn.net/Gentleman_Qin/article/details/84350496
在这里插入图片描述
YOLOv2网络结构中有一个特殊的转换层（Passthrough Layer），假设最后提取的特征图的大小是1313，转换层的作用就是将前面的2626的特征图和本层的1313的特征图进行堆积（扩充特征维数据量），而后进行融合，再用融合后的特征图进行检测。这么做是为了加强算法对小目标检测的精确度。为达更好效果，YOLOv3将这一思想进行了加强和改进。
**YOLO v3采用（类似FPN）上采样（Upsample）和融合做法，融合了3个尺度（1313、2626和5252），在多个尺度的融合特征图上分别独立做检测**，最终对于小目标的检测效果提升明显。（有些算法采用多尺度特征融合的方式，但是一般是采用融合后的单一特征图做预测，比如YOLOv2，FPN不一样的地方在于其预测是在不同特征层进行的。）
在这里插入图片描述

融合特征的SSD：对小目标的快速检测

FSSD: Feature Fusion Single Shot Multibox Detector
https://blog.csdn.net/wangxujin666/article/details/83065261
https://blog.csdn.net/Dlyldxwl/article/details/79324944
本文是以SSD为基底进行“改造”的一篇文章。SSD是从网络的不同层中抽取不同scale的feature直接做predict，所以没有充分融合不同scale的feature。后续有提出DSSD，RSSD等改进方法，但是因为模型的complexity导致速度变慢很多。**本文借鉴了FPN的思想，重构了一组pyramid feature map，**使得算法的精度有了明显的提升，速度也没有太降。先看一张图直观感受一下FSSD对比其它算法的效果。

Approach
对比下图中几种结构：
在这里插入图片描述
(a)中棕色的block之间没有联系，所以是使用不同scale的图片来生成不同scale的feature map进行predict，这是最不高效的一种方法；
(b)代表faster rcnn之类的two-stage算法，利用某一个scale的feature map来生成多scale的anchors去检测multi-scale objects；
©是典型的Top-Down结构，FPN为代表网络。该结构在此不做赘述，有不清楚的移步这里。DSSD也是该网络结构的应用；
(d)是SSD的结构代表图，从网络不同层抽取不同scale的feature做预测，这种方式不会增加额外的计算量，但是各个scale之间没有联系；
(e)是FSSD的结构图，就是把网络中某些feature调整为同一szie再 contact，得到一个像素层，以此层为base layer来生成pyramid feature map，作者称之为Feature Fusion Module。

Feature Fusion Module

下面解释一下Feature Fusion Module。

作者用一组公式表示整个过程：
在这里插入图片描述
对公式的字母含义进行说明：

（1）Xi 是前置网络中希望融合的feature map，作者在文中说明了size小于10的feature map能合并的信息太少了，因此不做考虑，此外将conv6-2的stride设为1，这样conv7-2的size就是10了（给出FSSD的网络结构链接），所以选择 conv4-3 (38*38) ,fc7 , conv7-2输出的feature map来进行融合（为什么非用7-2，难道原始s=2的6-2用起来效果很差？作者没有说明）。至于为什么不用conv3-3的特征，可以对比Tab 2的2,3行看出；
（2）Ti 表示对feature map进行降采样或者上采样方法的选择，目的让其scale一致。FSSD中均采用billnear将fc7 , conv7-2的scale统一为38；
（3）φf 是选择对scale一致的feature map进行Contact还是Element-wise sum。目的是融合feature map生成一个scale的feature，FSSD应用了concact，可对比Tab 2的2,7两行看出；
（4）**φp是如何利用得到的feature重构一组predict layer，也即Pyramid feature maps，**作者实验了Fig 3中的三种结构，其中棕色的block用来做predict，第一个结构使用fusion feature map作为第一层，**第二个是fusion feature map接了个33卷积后作为第一层，**最后一个结构是对于每一个predict层都先用11卷积来降低计算量，也就是bottleneck layer。从Tab 1可以看出中间的效果最好。
在这里插入图片描述

利用多层卷积神经网络（CNN）特征的互补优势 进行图像检索

https://blog.csdn.net/qq_40716944/article/details/78506086
高层特征用于度量语义相似度，低层特征用于度量细粒度相似度。给出一个简单易懂的例子，当查询图像是一个建筑物时，高层相似性捕捉到的图像包含一个建筑物，而低层相似性则捕获同一个从属同类实体的建筑物。显然，低层和高层特征的互补性可以提高查询图像与其他候选图像之间的相似性度量。一些现有的方法试图利用多尺度无序汇集来进行CNN激活。例如，CNN特征分别从不同层次提取和编码，然后将这些不同层次的聚合特征进行连接以测量图像。但直接拼接不能充分利用高层和低层特征的互补性。高层特征可以搜索具有相似语义的候选图像的集合作为查询图像，但是它不足以描述细粒度的细节。因此，高层相似性会削弱低层相似性的有效性，当最近邻居之间的细粒度差别被区分时，语义相似。
在本文中，我们建议以一种简单而有效的方式利用不同层次的CNN特征的更多互补优势。我们的方法试图突出低层相似性的有效性，当查询图像和最近的邻居之间的细粒度的相似性与相似的语义。换句话说，低层特征用于细化高层特征的排序结果，而不是直接连接多个层。如图2所示，高层特征不足以描述细节信息，而低层特征则来自背景混乱和语义歧义。以直接拼接的方式，由于高层相似度的影响，低层相似度在区分细粒度差异方面不起重要作用。使用映射函数，我们的方法利用低层特征来测量查询图像与具有相同语义的最近邻居之间的细粒度相似性。在实验中，我们证明了我们的方法比单层功能，多层连接以及其他基于手工特征的方法更好。

五种方法提升特征融合的效率

参考文章：
ExFuse: Enhancing Feature Fusion for Semantic Segmentation
https://arxiv.org/abs/1804.03821
https://blog.csdn.net/u010158659/article/details/80413719
https://blog.csdn.net/weixin_41876817/article/details/83058437
这篇文章着重研究语义分割网络中高低层特征融合的效率问题。本文发现，当前语义分割方法直接融合高、低特征并不奏效，继而提出新架构 ExFuse.

本文工作主要聚焦于 U-Net 分割架构的特征融合问题，并选择当前最优的 U-Net 架构之一——全局卷积网络（Global Convolutional Network/GCN）——作为主要的 backbone 分割架构.

这篇文章从两个大的方向上提出了改善思路，即
（1）.增加低层特征的语义
（2）.在高层特征中增加更多空间信息。
其中包括5个改善的细节，在下面一一介绍。

（1）Direction 1: Introducing More Semantic Information into Low-level Features
这篇文章中，作者为了增加低层特征的语义信息做了三点改进：

  • 网络结构重排(layer rearrengement)，构建更适合于分割的预训练模型；
  • 深度语义监督(semantic supervision)；
  • 语义嵌入支路(semantic embedding branch)，将高层特征融入低层特征。

（2）Direction 2: Embedding More Spatial Resolution into High-level Features
高层特征空间信息的损失只要是由于其自身的低分辨率(尺寸小)。这篇文章尝试将更多的空间特征融入到通道(channel)中去，包括:

  • 通道分辨率嵌入(explicit channel resolution embedding)；
  • 稠密邻域预测(densely adjacent prediction)。

上述每一方法都带来了显著提升，组合使用涨点高达 4%。

                </div>
                <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                                </div>

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t &ThinSpace; . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件或者.html文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

「已注销」
关注
专栏目录
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-目标检测（论文篇五）
qq_36130719的博客
04-15 1607
检测的图像，首先设置输入网络大小，然后将滑动窗口按照一定步长对图像进行滑动，微小的卷积神经网络，其使用卷积核在卷积神经网络中对输入图像信息进行卷积处理，传统行人检测技术进行分析，然后介绍基于深度学习行人检测算法，为后续行人检测。出，能够很好的描述行人的边缘，因此广泛应用于行人检测。的静态图像，往往采用梯度直方图方法获取行人图像的局部特征信息，然后计算所有。个单元格的特征将以不同的结果出现在最后的向量中，所有的小单元特征信息将构成。目的成果，使得行人检测检测技术成为基于深度学习目标检测领域的研究热点。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-图像识别（论文篇三）
qq_36130719的博客
04-14 1688
人工智能自上个世纪诞生以来，引领了多个领域的理论技术发展，例如人机对弈，人脸识别、自动工程以及医疗影像等，在大部分领域，我们都可以感受到人工智能带来的量变和质变。机器学习是人工智能研究的一个重要的领域，旨在通过分析数据，学习经验，对目标任务做出决策和预测。机器学习方法包括支持向量机(SVM)、Kmeans 聚类、Adaboost、决策树等，这些算法的主要步骤包括处理数据预处理，特征提取，算法学习和预测。在深度学习出现之前，大部分特征。
多尺度特征融合
qq_38765642的博客
01-13 7323
多尺度特征融合------笔记 笔者想将多尺度融合技术结合到自己的研究领域中，但是对多尺度这一理论不太熟悉，整理下多尺度相关概念。????开始攻克难题 1. 基本概念： ????1.1 何为特征： 每个物体，我们总可以用一些词语或部件来描述它，比如人脸的特征：两个眼睛、一个鼻子和一个嘴巴。对于图像而言，我们需要计算机去理解图像，描述图像就需要计算机去取得图像的特征，对图像比较全面的描述即一个二维矩阵，矩阵内的每个值代表图像的亮度。有时候我们需要让计算机更简化的来描述一个图像，抓住一些显著特征，这些特征要具有
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 13万+
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...
【机器学习】交叉熵是什么? 请能让初学者能理解的方式进行解释
最新发布
wq6qeg88的博客
08-09 991
交叉熵（Cross-Entropy）是信息论和机器学习中的一个重要概念。简单来说，它是一种衡量两个概率分布之间差异的度量。为了让初学者能更好地理解交叉熵，我们可以从几个方面进行详细讲解。
多尺度特征融合笔记
PLANTTHESON的博客
09-22 5047
多尺度特征融合笔记
特征级融合_基于多尺度特征融合网络的像素级裂缝分割研究(IASCM国际协会，Takuji Kobori奖章)...
weixin_39677419的博客
11-20 560
基于多尺度特征融合网络的像素级裂缝分割研究(IASCM国际协会，SCHM期刊2020年度最佳论文，Takuji Kobori奖章)论文链接：https://onlinelibrary.wiley.com/doi/10.1002/stc.2286最佳论文：https://onlinelibrary.wiley.com/page/journal/15452263/homepage/kobor...
多尺度特征融合13种创新方案全面汇总，含2024年最新
学姐带你玩AI的博客
01-25 1万+
前段时间和大佬朋友交流学术的时候，发现目前发论文最好用的。上回我们讲过了加注意力机制，今天我们就来聊聊多尺度特征融合。多尺度特征融合是一种在图像处理和CV中使用的技术，由于其在各种任务中都通用，并且对改善识别、分类或检测任务的性能都非常有用，所以成了我们发paper的必备创新点。这次我就和同学们分享，分了4个大方向：自适应多尺度特征融合机制、基于图神经网络的多尺度融合、注意力引导的多尺度特征融合以及端到端的多尺度特征学习。论文原文以及开源代码合集看文末。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-工程应用（论文篇四）
qq_36130719的博客
04-10 1200
其中神经网络的参数是这两级的网络在共同训练得到。征提取，但是这样的处理十分耗费时间，并且对专业人员的经验要求也高，这。且能够很好地处理数据中所包含的特征信息，非常适合应用到故障诊断中。本文是利用卷积神经网络进行改进来处理数据的，故本章将对卷积神经网。行卷积运算，从而产生新的特征。类型的特征，也就是该网络能够很好的接受特征一定范围的平移。目前针对齿轮箱的故障诊断一般都是进行信号的处理，然后对信号进行特。受野），在更高的层中就会将局部的特征结合从而得到全部的特征。卷积的运算过程如下图所示，卷积核大小为。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合
qq_36130719的博客
04-09 1013
卷积神经网络(CNN)在计算机视觉领域已经展现了卓越的性能，在图像分类、语义分割、目标检测领域得到了广泛的应用。数据驱动卷积神经网络获得的特征相比于传统手工制作的特征，质量有着明显的提升。因此，基于卷积神经网络的视觉识别研究更侧重于网络结构，而非特征工程。因此，如何设计更好的网络结构已经成为当前目标检测领域的一个关键问题。在目标检测的过程中，背景信息直接影响检测效果。目前大量的目标检测网络利用的是上下文信息的关联性。但是由于网络结构较为复杂，速度较慢，无法进行端到端训练。
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合（最终篇）
qq_36130719的博客
04-10 1194
随着网络层数的加深，网络的感受野逐渐变大，语义表达能力也随之增强，但是这也使得图像的分辨率降低，很多细节特征经过多层网络的卷积操作后变得越来越模糊。浅层神经网络的感受野小，细节特征的表达能力强，但是提取的特征语义性较弱。多尺度特征融合很好的解决了这个问题，其不再是只将最后一层的特征图用于检测，而是选择多层的特征进行融合再进行检测。图像金字塔是在原始图像上进行不同比例的缩放以得到不同尺寸的输入图像，再对得到的图像分别进行特征提取和预测输出，图像金字塔算法使目标检测准确率得到了提升，但是缺点也十分明显。
一文看尽物体检测中的各种FPN
Bruce_0712的博客
09-30 1851
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
机器学习的未来——深度特征融合
weixin_34163741的博客
03-07 1171
即使是最敏锐的技术布道师也无法预测大数据对数字革命的影响。因为他们最初的关注点都聚焦在了扩大基础设施以构建现有服务上。 在提高对现有数据的处理能力时，许多的新技术被提出。关于机器学习的概念最早诞生于科幻小说中，它的新功能很快被人们发现并应用，但随之而来的是无法避免的局限性。 机器学习的局限性 当数据被恰当地概念化时，复杂的AI算法可以做出最细致巧妙的...
多尺度特征融合总结（金字塔结构）
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，
目标检测中的多尺度特征
dekiang
11-06 1万+
目录1. 图像金字塔（image pyramid）1.1 多尺度训练/测试（multi-scale training/testing）1.2 SNIP（Scale Normalization for Image Pyramids）2. 特征金字塔（feature pyramid）2.1 直接的多尺度特征预测2.2 多尺度特征融合+单尺度特征预测2.3 多尺度特征融合+多尺度特征预测 目标检测中最具挑战性的问题就是目标的尺度变化问题（scale variance）。在目标检测中，物体的形状和尺寸大小不一，甚
Multi-Scale Deep Feature Fusion for Vehicle Re-Identification翻译（IEEE2020）
weixin_42666085的博客
04-13 1689
多尺度深度特征融合的车辆重识别 摘要 由于类间距离小，车辆重识别(re-id)具有挑战性。相似车辆之间的差异可能非常细微，只能在特定的尺度和语义级别上被捕获。在本文中，我们提出了一种新颖的多尺度深度特征融合网络(MSDeep)，可同时执行多尺度和多层次特征以实现精确的车辆重识别。基于骨干深度卷积神经网络，MSDeep主要包含两个模块：1)多尺度融合(MSF)模块，将多尺度流的组合封装为MSF特征；...
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