[论文解读]ICCV2019|Cascade RetinaNet: Maintaining Consistency for Single-Stage Object Detection

最新推荐文章于 2022-04-19 15:54:30 发布
最新推荐文章于 2022-04-19 15:54:30 发布
阅读量881 收藏 2
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/weixin_43859829/article/details/102454101
版权
本文介绍了Cascade RetinaNet，它解决了RetinaNet中类别置信度和坐标错误关联的问题，以及不同阶段特征图的相关性问题。通过引入FCM网络，Cascade RetinaNet改进了目标检测性能，其方法包括分析不同阶段的IOU与置信度的关系，以及修正锚框与真实标注的位置关系。实验结果显示，Cascade RetinaNet相对于RetinaNet有显著提升。
摘要由CSDN通过智能技术生成

题目：Cascade RetinaNet:Maintaining Consistency for Single-Stage Object Detection
作者：HongKai Zhang; Hong Chang;BingPeng Ma等

Motivation:
作者认为RetinaNet天真的直接将相同设置的多级串联在一起是没有多大收获，主要是类别的置信度和坐标之间的错误联系，以及不同Stage之间的FeatureMap的联系发生变化。因此，提出Cascade RetinaNet。我感觉就得是采用Cascade R-CNN的方法应用在Retina Net 上，再加了点自己的FCM网络。

Method：
作者同样用实验说明在不同Stage时，IOU与置信度设置之间的关系：
在这里插入图片描述
又说明了，原anchor box在修正后，与真实ground truth 之间的位置关系，来解释不同stage之间的Feature map 的不相关性。
在这里插入图片描述
因此，引入FCM网络 ，从而构建了Cascade RetinaNet
在这里插入图片描述
MFC网络的方法：

最低0.47元/天 解锁文章
一碗白开水一
关注
专栏目录
【论文笔记】：Cascade RetinaNet
Activewaste
03-30 999
&Title Cascade RetinaNet：Maintaining Consistency for Single-Stage Object Detection（BMVC2019） 论文翻译 代码 &Summary： Motivation 作者认为RetinaNet天真的直接将相同设置的多级串联在一起是没有多大收获，主要是类别的置信度和坐标之间的错误联系，以及不同Stag...
One-stage object detection
Airfrozen的博客
02-06 1187
摘自http://machinethink.net/blog/object-detection/ Object detection is more tricky than classification. One of the problems you’ll encounter is that a training image can have anywhere from zero to doze...
Reading Note: Single-Shot Refinement Neural Network for Object Detection
joshua_1988
01-10 2531
TITLE: Single-Shot Refinement Neural Network for Object Detection AUTHOR: Shifeng Zhang, LongyinWen, Xiao Bian, Zhen Lei, Stan Z. Li ASSOCIATION: CACIA, GE Global Research FROM: arXiv:1711.06897
目标检测--Accurate Single Stage Detector Using Recurrent Rolling Convolution
hk121的博客
05-08 2404
Accurate Single Stage Detector Using Recurrent Rolling Convolution CVPR 2017 商汤科技关于目标检测的文献 Code: https://github.com/xiaohaoChen/rrc_detection 本文直观的理解就是对SSD 嵌入 contextual information 使其可以同时检测大目标和
Cascade RetinaNet 论文学习
calvinpaean的博客
12-16 1302
论文地址：https://arxiv.org/abs/1907.06881v1 Abstract 最近很多研究都在尝试通过级联的方式来提升单阶段目标检测器的检测性能。在这篇论文中，作者分析并发现不一致性是制约此类模型表现的一个主要因素。这些模型将优化后的 anchors（预测边框） 和之前位置提取的特征联系起来，造成分类与定位无法对齐。作者针对级联方式提出了两个设计规则：提高分类置信度和定位表现的...
【论文笔记】：Learning Rich Features at High-Speed for Single-Shot Object Detection
01-06
Learning Rich Features at High-Speed for Single-Shot Object Detection 代码 &Summary 作者设计了一个one-stage检测框架，它结合了微调预训练模型和从零开始训练的优点。该框架包括一个预训练过的标准backbone...
[论文解读]ICCV 2019|LRF：Learning Rich Features at High-Speed for Single-Shot Object Detection
一碗白开水一
11-25 270
题目：Learning Rich Features at High-Speed for Single-Shot Object Detection 作者：Tiancai Wang, Rao Muhammad Anwer , Hisham Cholakkal , Fahad Shahbaz Khan Yanwei Pang , Ling Shao 2 Motivation: 作者认为从头开始训练太慢，但又怕失去精度，因此提出在backbone旁边加一个LSN网络，合并两者优点；并且觉得top-down的网络，
论文解读|ICCV2019|Gated-SCNN: Gated Shape CNNs for Semantic Segmentation
Akita·Wang's Semantic Segmentation
01-10 1050
标题：Gate - SCNN:用于语义分割的门控形状CNN 来源：ICCV2019 论文地址：https://arxiv.org/abs/1907.05740 Github：https://github.com/nv-tlabs/GSCNN 项目地址：https://nv-tlabs.github.io/GSCNN/ 文章目录摘要一、引入二、相关工作：1.多任务学习2.门控卷积三、Gated Shape CNN（GSCNN）1.Regular stream2.Shape stream3.Fusion Mo
ICCV 2019 |Deep Contextual Attention for Human-Object Interaction Detection论文阅读笔记
weixin_59340037的博客
04-19 3529
人物交互检测是视觉关系检测任务中非常重要的一类任务，对于场景的深入理解至关重要，现在很多方法将其分解为目标定位与交互识别，尽管取得了一定的进展，但是这些方法仅仅依赖于人和物体的外观而忽略掉有效的上下文信息，但是这些信息对于捕获他们之间的细微交互是非常重要的。本文提出了一个用于人物交互检测的上下文注意力框架，该方法通过学习实例的上下文感知外观特征来利用上下文信息，然后使用注意力模块自适应的选择与实例相关的上下文信息，以突出可能包含人物交互的图像区域。该方法在V-COCO上获得了4.4%的mAProle的提高.
人脸检测——Single Stage Headless Face Detector（SSH）算法解析
zhw864680355的博客
02-16 839
原文链接:https://blog.csdn.net/u014380165/article/details/83590831 论文：SSH: Single Stage Headless Face Detector 论文链接：https://arxiv.org/abs/1708.03979 代码链接：https://github.com/mahyarnajibi/SSH 这篇ICC...
阅读心得：RetinaTrack: Online Single Stage Joint Detection and Tracking
01-19 1479
传统的DBT范式，追踪效果严重依赖检测器效果，但是另一方面，检测也可以受益于追踪，例如平滑预测。RetinaTrack提出一个联合检测追踪的方法，能够适应实例级嵌入训练。
cvpr2019 目标检测算法_CVPR2019 | CMU提出SingleShot目标检测最强算法：FSAF
weixin_35652131的博客
01-04 338
点击上方“CVer”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：ywsunhttps://zhuanlan.zhihu.com/p/58508985本文已由原作者授权，不得擅自二次转载论文名称：Feature Selective Anchor-Free Module for Single-Shot Object Detection论文链接：https://arxiv.org/a...
[论文阅读] Multiple Instance Active Learning for Object Detection
xiongxyowo的博客
03-16 2938
论文地址：https://openaccess.thecvf.com/content/CVPR2021/html/Yuan_Multiple_Instance_Active_Learning_for_Object_Detection_CVPR_2021_paper.html 代码：https://github.com/yuantn/MI-AOD 发表于：CVPR 21 Abstract 尽管主动学习在图像识别方面取得了很大的进展，但仍然缺乏一种专门用于目标检测的实例级主动学习方法。在本文中，我们提出了多实例
[论文解读]Deep active learning for object detection
年糕的博客
09-22 1360
Deep active learning for object detection 文章目录Deep active learning for object detection简介摘要初步以前的工作Method黑箱主动学习3.1.1 Minmax (mm)3.1.2 Maximum Entropy (ent)3.1.3 Sum Entropy (ent-sum)白盒主动学习勘探/开发框架结果PASCAL VOC不同口味白盒的比较与黑箱方法的比较勘探/开发方法比较使用35%图像的不同方法的mapKitti模型分
CALD：性能优于 SOTA 的 detection-specific 主动学习方法
我爱计算机视觉
04-09 540
本文分享主动学习用于目标检测的论文『Consistency-based Active Learning for Object Detection』作者：Weiping Yu, Sijie ...
目标检测-论文汇总
VIEO
11-13 2224
转载：https://www.zhihu.com/question/311086366/answer/595155655 目标检测（对象检测）算法合集（持续更新）：https ://blog.csdn.net/amusi1994/article/details/81042923 csdn博客：https : //blog.csdn.net/hw5226349/article/details/8...
主动学习（Active learning） Review
kebijuelun的博客
01-27 3028
Active learning Introduction 定义 主动学习针对数据标签较少或打标签代价较高场景设计，又称最优实验设计。主要是通过算法挑选信息量高未标注数据让标注员确定数据的标签，同时利用标注员标注好的数据对模型参数进行更新，如此反复循环迭代后期望数据完成大批量数据集的自动化标注，同时模型也能利用较少的标注数据获得较好的性能 以下图片是 logistic regression 在随机挑选数据与基于 hard mining 方式挑选数据训练得到的不同结果，明显针对性挑选在分类决策面边界的不确定度
【常用检测框架】DetNet/Casecade RCNN/FCOS/RetinaNet
qq_43257640的博客
04-23 1172
DetNet 在DetNet提出之前，检测框架的backbone一般都是用分类框架，或在上面稍加改动。分类框架用于检测有以下几个缺点： 1、stage(不同尺度的特征图，用于多尺度检测)少，只能自己加，但没有相应的预训练的权重。 2、downsample丢失信息严重。分类框架只需要预测类别，相比检测容许丢失更多的信息。 detNet在resNet50的基础上作改进。改动部分为con4_x（stag...
ICCV 2019 开源计算机视觉论文与代码汇总
“ICCV 2019 开源代码链接 论文汇总.docx” 是一份关于2019年国际计算机视觉大会(ICCV 2019)的论文及其开源代码的集合。该会议在2019年10月27日至11月2日在韩国首尔的COEX会议中心举行，共收到了4303篇投稿，较上一...
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