针对遥感目标检测（小目标、旋转框、密集目标）的论文整理

最新推荐文章于 2024-05-19 11:18:48 发布
最新推荐文章于 2024-05-19 11:18:48 发布
阅读量6.4k 收藏 167
点赞数 16
分类专栏： 机器学习 文章标签： 目标检测 计算机视觉 机器学习
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_44159697/article/details/121744705
版权

文献整理

文章目录

A Multi-Feature Fusion-Based Change Detection Method for Remote Sensing Images

内容摘要

  • 加权模糊聚类的特征融合

    • 马尔可夫随机场特征
    • Gabor滤波器是一个用于边缘检测的线性滤波器，多次卷积后可以得到Gabor纹理特征
    • 以上两种特征做差分运算
    • 特征融合权重根据Relief Algorithm和距离 P d , s P_{d,s} Pd,s​计算，

  • 海陆分割

    • Cai, L., Shi, W., He, P., Miao, Z., Hao, M., & Zhang, H. (2015). Fusion of multiple features to produce a segmentation algorithm for remote sensing images. Remote Sensing Letters, 6(5), 390–398

  • 简单的阈值技术

  • 结论

    • 提高检测精度
    • 但是有可能导致单一特征淹没问题

A Survey on Vision Transformer

内容摘要

  • 自然语言处理领域的Transformer结构应用到图像处理领域

  • 本文主要内容是Transformer在视觉应用的综述（截止到2021.8）下图是主要的发展过程
    Transformer发展历程

  • 在这里插入图片描述

    以上为Transformer传统结构，广泛用于NLP中

    • Encoder和Decoder中包含了一个注意力机制层和一个前向传播网络层
    • 自注意力机制推导：
      • 输入：i位置的原值 x i x_i xi​，输出i位置的注意力值 y i y_i yi​(针对全局来说的重要性)
      • 满足这个公式， y i = 1 C ( X i ) ∑ ∀ j e θ ( x i ) ϕ ( x j ) g ( x j ) y_i=\frac{1}{C(X_i)}\sum_{\forall j}e^{\theta(x_i)\phi(x_j)}g(x_j) yi​=C(Xi​)1​∑∀j​eθ(xi​)ϕ(xj​)g(xj​),如果 θ ( ⋅ ) \theta(·) θ(⋅) ϕ ( ⋅ ) \phi(·) ϕ(⋅)两个函数代表的是线性的，并且 C ( X i ) = 1 ∑ ∀ j g ( x j ) C(X_i)=\frac{1}{\sum_{\forall j}g(x_j)} C(Xi​)=∑∀j​g(xj​)1​函数还可以改写成 y i = s o f t m a x ( X W θ W ϕ T X ) W g X y_i=softmax(XW_\theta W^T_\phi X)W_gX yi​=softmax(XWθ​WϕT​X)Wg​X
      • 多头的注意力机制：通过Dot-product Self-Attention的改进，通过计算每一组内的向量分数，然后通过归一化、概率转化最终得到每个点对应的注意力程度，多头经过分组，让注意力不只是集中在一个点上，可以从多组里面分别找到需要注意的点。
    • 一些其他的理论
      • 在编码器和解码器中，存在残差连接以及归一化操作类似于 L a y e r N o r m ( X + A t t e n t i o n ( X ) ) LayerNorm(X+Attention(X)) LayerNorm(X+Attention(X))
      • 前馈网络，通过一个线性层、一个非线性激活、一个线性层之后，得到一个输出。

  • ViT方法，纯粹通过Transformer得到输出，将图像分为一定宽度的序列，让序列进入编码器，然后进行解码得到最终的结果。，如下图所示：
    在这里插入图片描述

  • 卷积+Transformer方法，可以诸如CPVT的方法

Aerial Target Detection Based on the Improved YOLOv3 Algorithm

内容摘要

  • 不画旋转框,仍然采用原本的YOLOv3架构
  • 通过对DOTA数据集进行K-means聚类，得到比较多的12种anchor尺寸，将其作为YOLOv3的scale设置
  • 通过对YOLOv3网络结构的修改，增加了两次的上采样，让比较小的目标对应的小feature map也可以和大目标的feature map融合，最后能够实现大目标和小目标的同时检测。

Aircraft Rotated Boxes Detection Method Based on YOLOv5

内容摘要

  • Involution理解
    • 通过involution的加入，让网络获得空间特异性和通道共享，在空间的感受野上更大，能够获得更远空间上的联系
    • involution本身只是一个对卷积的优化过程
  • 通过循环标注（CSL）实现旋转框
  • 通过involution优化特征提取和精确度
  • 通过coordinate attention机制，解决复杂背景和小目标分离的问题
  • 具体：在YOLOv5的网络里加入CSP网络，并且用involution替换掉CSP网络的卷积，减少参数
  • FPN实现小尺度的识别

Airport Detection Based on Improved Faster RCNN in Large Scale Remote Sensing Images

内容摘要

  • 采用Faster RCNN作为baseline
  • 训练过程改进：多尺度训练
  • 损失函数的修改
  • 多类别的不均衡，采用去除冗余的方法
  • NMS最大抑制参数改进，RPN在ROI pooling阶段

（ViT）AN IMAGE IS WORTH 16X16 WORDS:TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE

Attention-Based Convolutional Networks for Ship Detection in High-Resolution Remote Sensing Images

内容摘要

  • 在原本的SSD的基础上，增加Attention的分支
  • SSD=卷积层+目标检测（卷积+平均池化）+NMS筛选层
  • 目标检测里面的五个卷积层特征做融合处理
  • 注意力机制采用全卷积网络

Bilinear CNN Models for Fine-grained Visual Recognition

内容摘要

  • 两路CNN特征提取和语义信息，细粒度的特征提取

  • 两路特征通过外积来实现池化操作，池化操作可以获取到需要的位置信息
    在这里插入图片描述

  • 端到端的训练过程（输入图片，输出类别信息），利用链式法则反向传播
    在这里插入图片描述

Bottleneck Transformers for Visual Recognition

内容摘要

  • 设计了一个Transformer结构的Bottleneck模块
  • 最后三层上，ResNet结构中的512，3*3的层用多头的注意力机制层来替换
  • 具体为通过前面的卷积学习低级特征，自注意力机制汇总feature map上的信息
  • 通过对feature map下采样让注意力能注意到更小的目标
    在这里插入图片描述

Bounding Box Regression with Uncertainty for Accurate Object Detection

内容摘要

  • sorfter-NMS
  • 本文主要对极大抑制参数的改进 使得最后的检测框能够更加趋近于ground truth 从而更加准确地预测
  • 将predict框看成是高斯分布，将ground-truth看作是狄拉克函数（冲激）
  • 设计KL-loss，对于模糊地标注可以被捕捉，并且获得更小地loss值
  • Loss中地可学习参数可以用于后处理阶段，（NMS中使用）
  • 概率分布是可解释的，可以通过Vote选出候选框中更趋近ground-truth的框

CAD-Net A Context-Aware Detection Network for Objects in Remote Sensing Imagery

内容摘要

  • 设计语义获取网络（CAD-Net），获取全局语义和局部语义
  • 设计空间尺度的注意力机制，需要配合特征金字塔使用，加在网络的neck位置
  • 设计了一个全新的解决方案，可以桥接地面传感器和遥感获得数据上的检测器区别（类似于迁移学习）

Deep Residual Learning for Image Recognition

内容摘要

  • 本文是残差网络最初的论文，主要介绍了深度残差网络的设计以及相应的作用和实践
  • 现在ResNet已经被验证是可以很好捕捉特征的一个网络结构，可以很好地完成特征的提取（作为backbone主干网络使用）

End-to-End Object Detection with Transformers

内容摘要

  • 本文是DETR的提出论文
  • 并不是完全的Transformer结构，通过CNN提取一系列的图像特征，并且通过Transformer的编码器和解码器来实现特征的解译，从而获取到检测结果
    在这里插入图片描述

Factorized Bilinear Models for Image Recognition

内容摘要

  • 分解双线性的操作来理解成对特征的影响，并且这样提取到的可以很好融合到卷积、全连接层
  • 通过随机特征丢弃来实现过拟合的防止

Fast R-CNN

内容摘要

  • 设计了RoI pooling层，和SPP网络相同，但是不再有多尺度的pooling，作者分析后认为不需要多尺度也可以获取到比较好的结果
  • RoI Pooling的输入适度要求一样
  • 设计了Multi-task的Loss函数
  • 用softmax代替了SVM的分类器改进

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

内容摘要

  • 本文是Faster R-CNN的提出，其中最大的贡献是提出了RPN网络（感兴趣区域提议网络）
  • 为了提升速度，让RPN网络和Faster RCNN的主干网络共享所有的特征，RPN先提议所有可能的RoI，再通过RoI Pooling层进行RoI的最终确定
  • 网络结构上可以参考下方图，可以看出特征共享的特征：
    在这里插入图片描述

Feature Pyramid Networks for Object Detection

内容摘要

  • 本文提出了特征金字塔的网络
  • 提出了Bottom-up路径，上采样不同的输出适度，来丰富金字塔特征
  • 提出了Top-Down路径和横向连接：上采样获得到更高分辨率的特征，下采样获得到更低分辨率的特征，通过横向连接来进行增强操作

FPN特征提取的光学遥感图像船舶检测

内容摘要

  • FPN在遥感图像上的使用

FRDet：一种基于候选框特征修正的多方向遥感目标快速检测方法

内容摘要

  • RPN以及Focal Loss（前景和背景分割）在遥感上的使用

General Multi-label Image Classification with Transformers

提出了C-Tran 作为分类的Transformer结构

Generalized Intersection over Union A Metric and A Loss for Bounding Box

内容摘要

  • 提出了G-IOU Loss
  • 进一步提升了RoI和Ground truth之间的精确匹配度
  • 任意两个形状的RoI都可以通过GIOU来构造Loss

Gliding Vertex on the Horizontal Bounding Box for Multi-Oriented Object Detection

内容摘要

  • 滑动顶点的方法来获得到旋转框，
  • 增加了glilding offset的参数，所以需要修改对应的全连接层
  • 可以通过下方图片来理解本文的主要贡献
    在这里插入图片描述

Gradient-Based Learning Applied to Document Recognition

梯度下降的提出

Hierarchical Bilinear Pooling for Fine-Grained Visual Recognition

内容摘要

  • 提出了原始的双线性只采用了最后一层特征，忽略了内部层级之间的特征关系，并且传播过程中会有信息损失，所以需要充分利用特征
    在这里插入图片描述

  • 层次双线性：通过跨层次来获取不同层之间的特征关系

  • 为了提升解译特征的能力，通过多层、跨层的特征双线性融合来获取更多的特征

Improved Bilinear CNN Model for Remote Sensing Scene Classification

内容摘要

  • 将BCNN用于遥感图像的分类
  • 主要贡献（改进）：减少了参数两和池化的特征维度
  • 减少了计算复杂度，提升分类速度，省去了用于detection的heavy branch

Improving Object DetectionWith One Line of Code

内容摘要

  • Soft-NMS的提出
  • 相比原先的NMS，主要贡献是设计了衰减参数来变换常量NMS，优化了原先NMS在 N t N_t Nt​的值选取上会存在的精度下降的问题，通过自动衰减来提升精度

Learning RoI Transformer for Detecting Oriented Objects in Aerial Images

内容摘要

  • 模块化RRoI，能够让水平的RoI可以转换为旋转的RoI
  • RoI-Transformer的提出，用于摇杆目标的检测的转换器
  • 作为一个轻量级的Transformer可以被嵌入到其他的网络
  • 主要提取的是空间不变特征，提升效率、降低复杂度

Object detection in remote sensing images based on deep transfer learning

内容摘要

  • 迁移学习在遥感上的应用
  • 用自然图像的模型来解决遥感图像数据不够的问题
  • 提出领域自适应的Faster R-CNN图像水平和实力水平的结构

OBJECT DETECTION FOR REMOTE SENSING IMAGES BASED ON GUIDED ANCHORING AND FEATURE FUSION

内容摘要

  • 遥感图像上的金字塔特征融合
  • 指导锚点模块产生方框
  • 金字塔结构取得特征，RoI对其后融合，RoI特征通过相加池化进行融合
  • 合成的特征被用于全连接，得到不同类别的和精确位置

Position Detection and Direction Prediction for Arbitrary-Oriented Ships via Multiscale Rotation Region Convolutional Neural Network

内容摘要

  • CNN实现遥感图像的位置和方向双重检测
  • 擦用了Rotate NMS的极大抑制参数
  • 稠密的特征金字塔结构
  • 多尺度特征融合并且运用了RRoI的对齐工作

R 2 R^2 R2-CNN: Fast Tiny Object Detection in Large-Scale Remote Sensing Images

内容摘要

  • 切片、先分类后检测的两阶段网络：分类更轻量，不用让整张大幅度的图片经过检测器
  • 设计了一个Tiny-Net的残差网络
  • 使用特征金字塔作为全局注意力机制模块，特征金字塔特征被融合，可以获取到更多的予以信息
  • 尺度不变的锚点策略
  • 有效的放大缩小结构，位置敏感的感兴趣区域

Real-Time Object Detection in Remote Sensing Images Using Deep Learning

内容摘要

  • 分块处理，提升效率
  • 相似类别标注，可以学习到更多的相似类的区别
  • 预处理操作，提升精度

ReDet: A Rotation-equivariant Detector for Aerial Object Detection

内容摘要

  • 角度等变特征和角度不变特征的提取
  • 角度等变特征进入主干网络
  • 提出了RiRoI，用于提取角度不变特征（空间维度对齐特征、角度不变特征）
    网络结构如下：
    在这里插入图片描述

传统的两个SAR检测

Remote sensing detection enhancement

内容摘要

遥感检测增强，通过速度匹配滤波器、检测前跟踪算法、高斯混合模型的背景估计以及噪声估计模型来检测。

Ship Classification in SAR Images Improved by AIS Knowledge Transfer

内容摘要

利用A-SVM算法以及就AIS知识迁移

SCRDet: Towards More Robust Detection for Small, Cluttered and Rotated Objects

内容摘要

  • 针对密集、小的目标的优化
  • SF-Net（Sampling Fusion Network）特征融合和锚点采样
  • MDA-Net（Multi-Dimensional Attention Network）多尺度的注意力机制，通道注意力和像素级别的注意力机制
  • L1正则化中加入了IOU常量，更具备鲁棒性
    网络结构：
    在这里插入图片描述

Using the Improved Mask R-cnn and Softer-nms for Target Segmentation of Remote Sensing Image

内容摘要

  • 对Mask R-CNN进行改进，加入了预测模块，来解决再分割分支上的Mask R-CNN训练困难的问题
  • 用softer-NMS代替NMS

  • Y. He, C. Zhu, J. Wang, M. Savvides and X. Zhang, “Bounding Box
    Regression with Uncertainty for Accurate Object Detection,” 2019
    IEEE/CVF Conference on Computer Vision and Pattern Recognition
    (CVPR), Long Beach, CA, USA, 2019, pp. 2883-2892.

YOLO-ACN: Focusing on Small Target and Occluded Object Detection

内容摘要

  • 在YOLO v3的基础上加入了CIOU，用于代替GIOU
  • 加入了注意力机制
  • 更加轻量化
  • 加入了soft-NMS
    网络结构如下：
    在这里插入图片描述

光学遥感图像船只目标检测识别技术

内容摘要

  • 预处理阶段采用去噪、去雾的算法
  • 灰度阈值分割、纹理分析、区域生长法多种图像特征的提取
  • 显著性计算模型的应用

基于多尺度LBP特征融合的遥感图像分类

内容摘要

  • 提取多尺度局部二进制模型特征
  • 通过多尺度的融合和灰度特征的融合进行分类操作

基于视觉注意机制的遥感图像船只检测

内容摘要

  • 改进Itti模型，采用纹理特征、频域特征
  • 特征显著图融合，网路训练

基于稀疏Transformer的遥感旋转目标检测

内容摘要

  • DETR模型在遥感图像上的运用，并且设计了旋转框的识别

神经网络训练策略对高分辨率遥感图像场景分类性能影响的评估

内容摘要

  • 加入学习率热身训练
  • 加入了无偏置的衰减
  • 标签平滑
  • 分类的进一步提升

增强小目标特征的航空遥感目标检测

内容摘要

  • HRnet的并行网络结构
  • 特征金字塔的多尺度融合以及LSTM模块结构
流浪の曙光
关注
  • 16
    点赞
  • 踩
  • 167
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
YOLO目标检测论文总结
05-10
YOLO目标检测论文总结
遥感论文 | Scientific Reports | 一种显著提升遥感影像小目标检测的网络！
开着奔驰种地的博客
12-16 1141
提出MwdpNet，以提高对高分辨率遥感（HRS）图像中微小目标的识别准确性。提出了一种新颖的多级加权深度感知网络，4个方面提出了一种多级特征加权融合策略，充分利用浅层特征信息来提高检测性能，特别是对于微小目标。为了充分描述图像的高级语义信息，实现更好的分类性能，我们设计了一个深度感知模块（DPModule）。提出了通道注意引导模块（CAGM），用于获取每个尺度的注意特征图，增强微小目标的召回率并更有效地生成候选区域。我们创建了四个微小目标数据集，并对其进行了比较实验。
目标检测——CrowdHuman密集行人数据集
猫脸码客的博客
05-19 1135
CrowdHuman数据集是一个专为人群场景下的目标检测任务而设计的大型基准数据集。它包含了大量的真实场景图像，涵盖了多种人群密度、遮挡程度以及背景复杂度的场景。通过对这些图像进行精细的标注，CrowdHuman数据集为研究者们提供了一个高质量的评估平台，以验证和改进他们的人体检测算法。
遥感图像目标检测概况
qq_57348548的博客
10-15 1824
NWPU VHR-10 (Cheng et al.，2016) 这个高分辨率(VHR)遥感图像数据集是由西北工业大学(NWPU)构建的，包含10类正例样本650张以及不包含给定对象类的任何目标的150张反例图像（背景），正例图像中至少包含1个实例，总共有3651个目标实例。本数据集中目标为航拍图像下的目标种类，包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和汽车共计10个类别。
NeurIPS 2023 | 东南大学&上交提出H2RBox-v2：旋转目标检测新网络
阿木寺的博客
09-28 357
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【遥感图像和目标检测】交流群作者：火木鱼（源：知乎，已授权）| 编辑：CVer公众号https://zhuanlan.zhihu.com/p/620884206在CVer微信公众号后台回复：H2R，可以下载本论文pdf、代码一、引言H2RBox-v2发布了，这篇文章作为H2RBox的新版本，提出了对称感知学习（S...
可见光遥感目标检测（二）主要难点与研究方法概述
CV技术指南（微信公众号）
05-14 831
由于Transormers的横空出世，把cv问题转变为了CNN与Transormers各占据半壁江山，现在也有很多用Transormers来做遥感图像目标检测，并且也取得了不错的效果，Transormers主要的有点是能够学习到图片的全局特征，但是其缺点是需要大量的数据才能够表现出最佳的性能。，小目标的检测问题不属于遥感图像特有的检测问题，属于目标检测的普遍性的问题，主要是由于小目标提供的像素点信息较少，无法提取到鲁棒性的特征。1、旋转目标的检测问题，一直都是遥感图像目标检测的重要解决的问题。
代码复现：遥感旋转目标检测（可训练自己的数据集）
hesongzefairy的博客
11-13 4459
follow了上交博士大佬yangxue的两个方法，这篇仅记录复现过程中碰到的问题，具体论文的介绍就不写了，大佬自己的知乎已经写得非常详细了。 SCRDet：https://zhuanlan.zhihu.com/p/107400817 CSL：https://zhuanlan.zhihu.com/p/111493759 复现的第一个方法：https://github.com/DetectionTeamUCAS/R2CNN-Plus-Plus_Tensorflow 在Ubuntu16.04下 1、
Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark
weixin_36670529的博客
09-01 1万+
摘要： 最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后，我们提出了一个大规模、公开可用......
小目标检测技巧 | 全局上下文自适应稀疏卷积CEASA | 助力微小目标检测涨点
人工智能讲师分享前沿技术
04-27 2719
深度神经网络（如细胞神经网络和Transformer）的最新进展显著提高了在公共基准（如COCO）上的目标检测性能。相比之下，为无人机平台设计检测器目前仍然是一项具有挑战性的任务。一方面，现有的研究热衷于设计复杂的模型，以在高分辨率无人机图像上达到微小目标的高精度，这在计算上很不划算的。另一方面，无人机配备的硬件往往受到资源限制，这对轻量级部署模型提出了快速推理和低延迟的迫切需求。为了解决准确性和效率之间的平衡困境，学界做出了许多努力，主要是在通用目标检测上，基本上集中于降低骨干网络的复杂性。
基于改进 YOLOv5 的小目标检测论文代码复现
njj15760675213的博客
01-08 2240
2、在颈部网络部分, 使用 BiFPN 结构替换 PANet 结构, 强化底层特征利。使用yolov5-6.0源码、yolov5x.yaml、yolov5x.pt。3、在检测头部分, 增加高分辨率检测头, 改善对于微小目标的检测能力。1、在主干网络中, 加入CBAM 注意力模块增强网络特征提取能力。
改进 YOLOv3 遥感小目标检测算法
05-04
针对目前在遥感目标检测领域广泛使用的 YOLOv3 算法存在对小目标物体的特征表达能力不足, 检测效果不好的问题, 本文提出一种改进的 YOLOv3 小目标检测算法. 首先, 引入全局信息注意力机制并改进特征提取网络和特征...
RetinaNet_Tensorflow_Rotation：密集旋转对象检测的焦点损失
02-06
密集旋转目标检测的焦点损失 抽象 此回购基于由完成。 我们还建议基于tensorflow，，这是导致。 性能 DOTA1.0 模型 骨干 训练数据 Val数据 地图 模型链接 锚 Reg。 失利 角度范围 施罗德 数据扩充 显卡 图像/ GPU 设定档 视网膜网 ResNet50_v1d 600-> 800 DOTA1.0列车 DOTA1.0测试 63.18 H 平滑L1 90 1倍 没有 1个GeForce RTX 2080 Ti 1个 cfgs_res50_dota_v4.py 视网膜网 ResNet50_v1d 600-> 800 DOTA1.0列车 DOTA1.0测
RRPN++:遥感图像旋转目标检测Guidance Towards More Accurate SceneText Detect
03-29
该文件为RRPN方式实现对遥感图像的目标检测，为了加大遥感图像检测的精度，该方法采用旋转检测框的方式对目标进行旋转检测。该文件包含实现代码、论文地址、代码实现环境的配置、以及数据集形式、训练和测试方式
Aerial_mmdet_目标检测_fastrcnnobb_旋转目标检测_遥感图像目标检测_
09-28
本项目实现了遥感图像的目标检测。遥感图像不同于一般的目标检测，比如YOLO，ssd等等，该项目实现了旋转框的检测，并且在参加的比赛中实现了65mAP的成绩，希望对你们有帮助。
用于目标检测的遥感图像数据集
05-07
目标检测遥感数据集。包括训练集、验证集和测试集共1400张遥感图像及相应标注。已处理为适用yolov5的格式。
基于小目标检测头的改进YOLOv5红外遥感图像小目标检测系统
最新发布
05-22
【作品名称】：基于小目标检测头的改进YOLOv5红外遥感图像小目标检测系统 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍...
CVPR 2020 Oral | 旷视研究院提出密集场景检测新方法：一个候选框，多个预测结果...
旷视开发者技术社区
04-24 3855
IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern Recognition) 大会官...
Feature Pyramid Networks for Object Detection 论文笔记
热门推荐
Jesse_Mx的博客
01-17 2万+
论文地址：Feature Pyramid Networks for Object Detection前言这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，欢
CVPR2019目标检测汇总
qq_42278791的博客
07-01 6171
原博：https://mp.weixin.qq.com/s/7Ez9KrX-O1fLNt55MgI7RQ 二阶段算法 1.提出了一种新的边界框回归损失，同时学习边界框变换和定位差异 卡耐基梅隆大学、旷视 Bounding Box Regression with Uncertainty for Accurate Object Detection Yihui He, Chenchen Zhu, Jia...
针对密集目标检测的损失函数
07-27
对于密集目标检测任务，常用的损失函数是Mask R-CNN中引入的多个部分损失函数的组合，包括： 1. RPN损失函数：用于边界框的候选区域生成。通常使用二分类交叉熵损失来判断候选区域是否包含目标。 2. 分类损失函数：用于目标的分类。通常使用多类别交叉熵损失来计算各个类别的概率分布与真实标签之间的差异。 3. 边界框回归损失函数：用于预测目标的边界框位置。通常使用平滑L1损失来计算预测框与真实框之间的差异。 4. 掩码分割损失函数：用于实现目标的像素级分割。通常使用二进制交叉熵损失来度量预测掩码与真实掩码之间的差异。 这些部分损失函数通常会加权组合成一个综合的损失函数，例如使用加权和或者加权平均来计算最终的损失值。通过最小化这个综合损失函数，可以训练模型以实现高质量的密集目标检测。

“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 2
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