Pixel Aggregation Network (PAN)

最新推荐文章于 2024-09-01 23:15:00 发布
最新推荐文章于 2024-09-01 23:15:00 发布
阅读量903 收藏 5
点赞数
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_44795555/article/details/104497789
版权

1 网络结构

在这里插入图片描述
训练阶段，网络生成三个预测：

  1. Text Region
  2. Kenel
  3. Similarity Vector

其中 1 和 2 为监督学习，3 为无监督学习（聚类）。

预测阶段，遵循以下步骤来使用相似度向量引导像素聚合到Kenel中

  1. 得到多个 Kenel；
  2. 对于每个 Kenel 的上下左右四个方向的像素，为 Text Region 内的每个像素找到与 Kenel 的欧式距离小于 d d d （作者设置为 6 ）的像素并将其聚合；
  3. 重复步骤 2 知道没有可用的像素。

    在这里插入图片描述 　　　　　　　 在这里插入图片描述

Kernel 是在 Text Region 里面的。

2 损失函数

在这里插入图片描述

larkii
关注
【字符分割】Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network
猫猫与橙子的博客
05-20 512
最近要更新文本检测的训练模型，所以看了PSE的升级版PAN； 论文：https://arxiv.org/abs/1908.05900v1 代码：https://github.com/WenmuZhou/PAN.pytorch 目录 1.该论文的主要方法介绍 1.1该方法的主体框架 1.2 分块介绍主体功能 1.2.0 Fr作用 1.2.1 FPEM模块（Feature Pyramid Enhancement Module） 1.2.2 FFM模块（Feature Fusion Module
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
【Paper Reading】Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network
Ocelot777的博客
03-09 418
Conference: ICCV 2019 poster Source：https://arxiv.org/abs/1908.05900 Unofficial Code: https://github.com/WenmuZhou/PAN.pytorch Feature: Fast + Curve 与 PSENet 的比较： 文本检测的想法与 PSENet 一致，segmentation + ke...
Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network（利用像素聚合网络进行高效准确...
weixin_30894389的博客
08-21 652
PSENet V2昨日刚出，今天翻译学习一下。 　　场景文本检测是场景文本阅读系统的重要一步，随着卷积神经网络的快速发展，场景文字检测也取得了巨大的进步。尽管如此，仍存在两个主要挑战，它们阻碍文字检测部署到现实世界的应用中。第一个问题是速度和准确性之间的平衡。第二个是对任意形状的文本实例进行建模。最近，已经提出了一些方法来处理任意形状的文本检测，但是它们很少去考虑算法的运行时间和效率，...
路径聚合网络PANet(Path AggregationNetwork)介绍
最新发布
leonardohaig的博客
09-01 949
路径聚合网络(Path Aggregation Network，简称PAN，PANet)是一种深度学习网络结构，用于图像分类和目标检测任务。它采用了多尺度特征融合和路径聚合的方法，能够有效地提高模型的性能和准确率，PAN网络结构包括主干网络和特征金字塔网络两部分，其中特征金字塔网络用于生成多尺度特征图，主干网络则用于将这些特征图进行路径聚合和特征融合。
[论文解读]|PAN:Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network
一碗白开水一
04-21 1296
题目：Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network 作者：Wenhai Wang, Enze Xie,Xiaoge Song, Yuhang Zang, Wenjia Wang, Tong Luy, Gang Yu, and Chunhua Shen Motivation:...
像素聚合网络PAN原理与代码解析
00000cj的博客
10-24 3334
论文：https://arxiv.org/abs/1908.05900 官方代码：https://github.com/whai362/pan_pp.pytorch 像素聚合网络Pixel Aggregation Network是PSENet的改进版，依旧是segmentation-based文本检测方法，可以检测任意形状的文本。主要改进了PSENet速度慢的缺点，在CTW1500数据集上，PAN-320可以达到84.2FPS，同时还可以保证79.9%的F-measure。而PSENet-1s只有3.9
ICCV 2019 | 旷视研究院提出文字检测新方法：像素聚合网络PAN
旷视开发者技术社区
09-06 1677
两年一度的国际计算机视觉大会 ICCV 2019 ( IEEE International Conference on Computer Vision) 将于当地时间 1...
Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network
没有期待的日子反而会顺顺利利
12-25 1391
1. 介绍： TextSnake和PSENet是为检测曲线而设计的文本实例，也广泛出现在自然场景中。然而，复杂的管道和大量的卷积运算，这通常会减慢他们的推理速度 像素聚集网络(PAN)，它配备了一个低计算成本的分割头和一个可学习的后处理。更具体地说，分割头由特征金字塔增强模块(FPEM)和特征融合模块(FFM)组成。FPEM是一个可级联的U形模块，它可以引入多级信息来指导更好的分割。FP...
人工智能论文总结一 PANNet：Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Netwo
qq_43450862的博客
04-09 2756
1.PANNet网路结构图 从上图中可知，PANNet主要结构由四部分组成：BackBone+FPEM+FFM+OutPut组成。 BackBone是使用的轻量级模型resnet18，由四个输入图像strides分别为4、8、16、32的conv1、conv2、conv3、conv4组成的主干网络，并使用1*1卷积将每个特征图的映射通道数减少到128的薄特征金字塔。 FPEM结构如上图所示U型结构，其包含两个阶段Up-Scale增强和Down-Scale增强...
PAN：Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network —— 论文阅读笔记
学无止境
01-05 1374
有低计算成本的分割部分和可学习的后处理。分割分割部分由特征金字塔增强模块（FPEM）和特征融合模块（FFM）组成。 FPEM是可级联的U形模块，可以引入多级信息来指导更好的分割。 FFM可以将不同深度的FPEM提供的特征收集到最终特征中进行分割。 可学习的后处理是通过像素聚合（PA）实施的，该算法可以通过预测的相似度矢量精确地聚合文本像素。 通过分割网络预测文本区域，内核和相似度向量。FPEM + FFM 从预测的内核重建完整的文本实例。 贡献 提出了一个轻量级的分割部分，它由特征金字塔增强模块（F
《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020
qq_33278461的博客
06-25 2379
AANet 《AANet: Adaptive Aggregation Network for Efficient Stereo Matching》CVPR2020，针对双目匹配任务的论文。 论文：https://arxiv.org/abs/2004.09548v1 代码：https://github.com/haofeixu/aanet 一、目的和贡献： 目前最好的立体匹配模型基本都用3D卷积，计算复杂度高且占用大量存储空间，本论文的目的就是完全替代3D卷积； 提出: 尺度内代价聚合模块：基于稀疏点，缓解边
论文笔记：Region Aggregation Network/ Improving Convolutional Neural Network for ECG Characteristic Detec
travalscx的博客
08-23 519
Region Aggregation Network/ Improving Convolutional Neural Network for ECG Characteristic Detection 设计了一个叫做Region Aggregation Network（RAN）的网络来进行ECG8个特征点检测，RAN由一维卷积神经网络（CNN）和一个新的区域聚集模块RA组成，Region Aggre...
深度学习-路径聚合网络(PANet网络)
热门推荐
Tc、zyh的博客
10-23 2万+
文章目录1、概括2、介绍3、特征金字塔网络(FPN)4、PANet5、改进点 1、概括 信息在神经网络中的传播方式非常重要。为了促进信息的流动，提出了一种基于提议的实例分割框架下的路径聚合网络Path Aggregation Network (PANet)。具体地说，我们通过自底向上的路径增强，利用准确的低层定位信号增强整个特征层次，从而缩短了低层与顶层特征之间的信息路径。提出了自适应特征池adaptive feature pooling，它将特征网格和所有的特征层连接起来，使每个特征层中的有用信息直接传播
PANet路径聚合
爱CV
01-07 1423
是最重要的计算机视觉过程之一，它将图像分割成更小的、多个片段，这样的话，目标的表示和进一步的分析就变得简单。这个过程有各种各样的应用，从在医学图像定位肿瘤和发展机器视觉中的生物测量识别的目标检测。图像分割过程主要分为两个部分：Semantic segmentation和Instance segmentation。 语义分割是指将图像中的像素分类为有意义的目标类别，如天空、道路或公共汽车。 实例分割包括以像素级识别、分类和定位图像中出现的各种实例(对象)，并要求保留图像中出现的最精细的特征。它是目...
Path Aggregation Network for Instance Segmentation
dawnyi_yang的博客
04-24 2271
摘要 论文提出了一种称为PANet（Path Aggregation Network）的能够提升基于proposal的实例分割框架中的信息流的模型。具体通过自下而上的路径增强，在下层用精确的位置信息增强整个特征层次，从而缩短下层和最上层特征之间的信息路径。同时提出了adaptive feature pooling，将feature grid和所有特征层联系起来，使每个特征层的有用信息直接传播到下面的proposal subnetworks。为进一步提高mask prediction能力，创建了一个捕捉每个p
论文：Path Aggregation Network for Instance Segmentation
xxiaozr的博客
08-06 1405
Abstract       神经网络中信息传递的方式很重要。本文提出 PANet 网络来增强 proposal-based 实例分割的信息流。具体的，提出bottom-up path augmentation，adaptive feature pooling和complementary branch。 1.Introduction       Mask R-CNN是一个简单有效的实例分割...
深度学习——Bidirectional Aggregation Network
weixin_51352656的博客
11-11 736
CVPR2020论文：BANet: Bidirectional Aggregation Network with Occlusion Handling for Panoptic Segmentation 1.主要内容： 提出了双向融合的全景分割网络方案，即Instance-To-Semantic (I2S) 和Semantic-To-Instance (S2I)两个方向，使得语义分割和实例分割之间进行特征交流。 运用ROIInlay算子实现了Instance-To-Semantic (I2S)的精确特征映射
[深度学习论文笔记][CVPR 18]Path Aggregation Network for Instance Segmentation
KFXW的专栏
03-12 2548
本文提出了名为PANet的网络结构，用于物体检测(object detection)和实例分割(instance segmentation)任务。该网络基于FPN[1]和Mask RCNN[2]模型之上提出了三点创新，显著地提升了模型在物体检测和实例分割网络上的性能
path aggregation network
03-16
路径聚合网络（Path Aggregation Network，简称PAN）是一种深度学习网络结构，用于图像分类和目标检测任务。它采用了多尺度特征融合和路径聚合的方法，能够有效地提高模型的性能和准确率。PAN网络结构包括主干网络和特征金字塔网络两部分，其中特征金字塔网络用于生成多尺度特征图，主干网络则用于将这些特征图进行路径聚合和特征融合。PAN网络在多个图像分类和目标检测数据集上都取得了优秀的表现。
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