Small Object Detection using Context and Attention（论文阅读笔记）

最新推荐文章于 2022-06-29 21:21:13 发布
VIP文章 最新推荐文章于 2022-06-29 21:21:13 发布
阅读量2.7k 收藏 6
点赞数
分类专栏： 论文阅读笔记 文章标签： 目标检测 计算机视觉 深度学习
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/wjytbest/article/details/122094501
版权

Small Object Detection using Context and Attention 论文阅读笔记

在这里插入图片描述
出处：2021 International Conference on Artificial Intelligence in Information and Communication (ICAIIC) Jeju Island, Korea

一、介绍

在这里插入图片描述

目标检测算法在各种环境下的应用存在许多局限性，特别是检测小物体仍然具有挑战性，因为它们的分辨率低，信息有限。

  1. 文章提出了一种使用上下文的目标检测方法，以提高检测小目标的准确性。该方法通过连接多尺度特征，将来自不同层次的附加特征作为上下文。
    在这里插入图片描述
  2. 提出了具有注意机制的目标检测，该机制可以聚焦于图像中的目标，并包含目标层的上下文信息。

实验结果表明，与传统的SSD相比，该方法对小目标的检测精度更高。此外，对于300×300的输入图像，在PASCAL VOC2007测试集上实现了78.1%的平均精度(mAP)。

二、相关工作

2.1 基于深度学习的目标检测

  1. R-CNN：利用深度学习进行物体检测的第一个尝试，但对于实时应用程序来说，它太慢了，因为它对每个候选区域都是顺序通过cnn的。
  2. Fast R-CNN：对所有候选区域只执行一次特征提取。但这两项工作仍然对区域建议使用了单独的阶段。
  3. YOLO、SSD：实时目标检测。

2.1 小目标检测

  1. SSD：提出减少大型目标的尺寸，以克服数据不足的问题。
  2. DSSD：对SSD的所有特征图都采用反卷积技术，
最低0.47元/天 解锁文章
今天也学习了嗷
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
small_object_detection
11-10
配套csdn博客https://blog.csdn.net/WANGWUSHAN/article/details/118422175，适应性修改可直接应用于VOC数据集 相对坐标（cls,x,y,w,h）下的数据增强。
【文献阅读5】Small Object Detection using Context and Attention
我是大阿周的学习博客
12-29 3693
Small Object Detection using Context and Attention我的总结0 Abstract1 Introduction2 Related Works3 Method第 1 章 绪论第 2 章 相关理论和算法基础一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 我的总结 融合：fusion 残差注意力模块：residual attention module L2 Norm更适合融合操作 基于SSD模型，Backbone是AGG16 本篇仅是简单阅读记录
Small Object Detection using Context and Attention（使用上下文和注意力机制的小型物体检测）
知欧zhou的博客
10-27 5161
Small Object Detection using Context and Attention 使用上下文和注意力机制的小型物体检测 Jeong-Seon Lim University of Science and Technology [email protected] Marcella Astrid University of Science and Technology [email protected]....
Small Object Detection using Context and Attention
qq_43403200的博客
09-11 855
Small Object Detection using Context and Attention阅读记录 论文链接：https://arxiv.org/abs/1912.06319v2 Abstract 作者使用上下文信息和注意力机制检测小目标。 作者使用传统的SSD为基线，当网络输入为300x300时，其在Pascal VOC2007上的mAP为78.1%。 Introduction 作者认为解决小目标检测的关键是如何有效的利用上下文信息。 作者使用深层的抽象信息作为上下文信息，在浅层使用注意力机制，
【文献阅读7】深度学习检测小目标常用方法（知乎文章）
我是大阿周的学习博客
11-16 464
深度学习检测小目标常用方法 文章名称：深度学习检测小目标常用方法 文章作者：船长 作者在文章中列举了大量小目标检测（通用目标检测与人脸识别）的常用方法与相关论文。 其中有一些文章我觉得对于我目前的小目标检测方向比较有意义的文献。 具体如下： Data Augmentation 深度学习中不平衡样本的处理 Augmentation for small object detection Train Strategies SNIP R-FCN: Object Detection via Region-ba
Augmentation for small object detection.pdf
05-12
目标检测论文，Augmentation for small object detection.pdf
【论文阅读笔记】Pelee: A Real-Time Object Detection System on Mobile Devices
01-06
Pelee: A Real-Time Object Detection System on Mobile Devices（一）论文地址：（二）核心思想：（三）Two-Way Dense Layer：（四）Stem Block：（五）Dynamic number of channels in bottleneck layer：（六）...
Issues on infrared dim small target detection and tracking
02-07
Issues on infrared dim small target detection and tracking
Overview of infrared dim and small target detection methods
02-07
Overview of infrared dim and small target detection methods
Yolov1-pytorch版 论文、原理及代码实现
热门推荐
浅浅记录一下吧。
04-26 1万+
YOLOv1-pytorch版 论文、原理及代码实现Yolov1 论文、原理、代码实现1、论文：[https://arxiv.org/pdf/1506.02640.pdf](https://arxiv.org/pdf/1506.02640.pdf)2、原理2.1 目标检测方法2.2 相关名词解释2.3 网络结构设计分析2.4 损失函数3 、PASCAL VOS 2007 和2012数据集4、代码实现4.1 数据预处理4.2 Dateset类构造4.3 网络实现4.4 开始训练4.5 预测4.6 实验结果参考
Learning To Count Everything（论文阅读笔记）
浅浅记录一下吧。
12-08 5858
Learning To Count Everything 论文地址：https://arxiv.org/abs/2104.08391 源码：https://github.com/cvlab-stonybrook/LearningToCountEverything 出处：CVPR 2021 作者单位：石溪大学, VinAI研究院 一、摘要 目前的计数工作主要集中于某种特定的类别，例如人、动物或者细胞。在这篇文章中，作者将计数任务当做一个少样本（few-shot）回归任务，通过少数带注释的实例来计数一切。 作
Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression （论文阅读笔记）
浅浅记录一下吧。
11-24 5543
摘要 Bounding box（bbox）回归是CV中的一项基本任务，最常用的损失函数是IOU Loss 和相关变体。文章将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，它具有一个幂次IoU项和一个附加的幂次正则项。这种新的损失系列为α-IoU Loss。 在多个目标检测基准和模型上的实验表明，α- iou损失 可以显著的超过现有的基于iou的损失; 通过调节α，使探测器更灵活地实现不同水平的bbox回归精度; 对小数据集和噪声的鲁棒性更强。 一、介绍 目标检测通常包含分类.
基于图像的人群计数研究（论文阅读笔记）
浅浅记录一下吧。
07-27 4954
基于图像的人群计数研究（论文阅读笔记） 一、人群计数研究的问题 人群计数旨在估计图像或视频中人群的数量、密度或分布，属于目标计数领域中的一类，既是智能视频监控分析领域的关键问题和研究热点，也是后续行为分析、拥塞分析、异常检测和事件检测等高级视频处理任务的基础。 二、人群计数研究的发展 1 传统的 通过传统的计算机视觉方法提取行人特征，然后通过目标检测或回归的方式获取图像或视频中人群的数量。无法从图像中提取更抽象的有助于完成人群计数任务的语义特征，使得面对背景复杂、人群密集、遮挡严重的场景时，计数精度无法满足
YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记
浅浅记录一下吧。
11-10 4610
YOLOX: Exceeding YOLO Series in 2021 这是一篇由旷视科技提出的2021超越YOLO系列的论文:YOLOX 出处：CVPR 2021 摘要 文章介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX： anchor-free（无anchor） decoupled head（解耦头） label assignment strategy SimOTA（标签分配策略，基于作者的另一篇论文：Zheng Ge, Songtao Liu, Zeming Li
浅读一下美团提出的YOLOV6
浅浅记录一下吧。
06-29 4103
浅读一下美团视觉智能部提出的YOLOV6：专用于工业应用的单阶段目标检测框架
目标计数方法概述
浅浅记录一下吧。
12-28 3597
目标计数方法概述 1、如何进行目标计数？ 目标计数的方法主要有三类。 基于检测的方法。使用传统的基于 HOG 的检测器或基于深度学习的检测器，如 YOLO 或 RCNN。但这类方法的效果在目标场景中容易受到遮挡的严重影响。 基于回归的方法。这类方法只是从原始图像中捕获一些特征，并使用机器学习模型来映射特征和数字之间的关系。在深度学习之前，基于回归的方法是 SOTA，研究人员专注于寻找更有效的特征来估计更准确的结果。但是，当深度学习变得流行并取得更好的结果时，基于回归的方法就会受到较少的关注，因为很难捕捉到
Bag of Freebies for Training Object Detection Neural Networks 论文阅读笔记
浅浅记录一下吧。
11-10 2483
Bag of Freebies for Training Object Detection Neural Networks 论文阅读笔记 这个题目取的有点意思：用于训练目标检测神经网络的免费赠品袋 摘要 启发式训练大大提高了各种图像分类模型的准确率，而目标检测模型具有更为复杂的神经网络结构和优化目标。训练策略和管道在不同的模式中有很大的差异。在这个工作中，作者探索了适用于各种模型的训练调整，包括Faster R-CNN和YOLOv3。这些调整不会改变模型架构，因此，推理成本保持不变。然而，经验结果表明，
augmentation for small object detection
最新发布
03-16
小物体检测的数据增强方法包括： 1. 图像翻转：水平翻转和垂直翻转 2. 随机剪切：在图像中随机选择一个区域 3. 随机调整亮度、对比度、饱和度等 4. 图像旋转：随机旋转一定角度 5. 随机添加噪声：高斯噪声、椒盐噪声等 6. 随机缩放：改变图像的尺寸 这些方法可以有效扩充训练数据，提高模型对小物体的检测准确率。

“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 4
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