STDN 笔记

STDN(Scale-Transferrable Object Detection)通过DenseNet提取特征,并提出scale-transfer layer实现大尺度特征图的生成,降低参数量和计算量。在不使用反卷积和上采样的情况下,该层通过reshape实现尺度转换,形成特征金字塔进行多尺度预测,类似于SSD但无需额外融合操作,受益于DenseNet的内置特征融合能力。
摘要由CSDN通过智能技术生成

前言
1.本文重点是scale-transfer layer,尽量用较少篇幅表达清楚论文算法,其他一些不影响理解算法的东西不做赘述
2.博客主要是学习记录,为了更好理解和方便以后查看,当然如果能为别人提供帮助就更好了,如果有不对的地方请指正(论文中的链接是我经过大量搜索,个人认为讲解最清楚的参考)

论文链接
代码链接

创新点
1.使用DenseNet(自带高低层特征融合)作为基础网络提取特征
2.提出scale-transfer layer,在不增加参数量和计算量的前提下生成大尺度的特征图(scale-transfer layer实质是reshape,所以不增加参数量,其他算法常用反卷积和上采样来生成大特征图)

STDN
STDN全称Scale-Transferrable Object Detection,从论文名字就可以看出精髓就在尺度转换这,即scale-transfer layer

1.目标检测多尺度预测回顾

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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