PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection - arxiv 2016.08

最新推荐文章于 2024-10-20 22:08:32 发布
最新推荐文章于 2024-10-20 22:08:32 发布
阅读量6.5k 收藏 2
点赞数 1
分类专栏： cvpr Deep Learning 文章标签： RPN RCNN PVANet
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/zimenglan_sysu/article/details/52471410
版权
PVANET是一种深但轻量级的神经网络，专为实时对象检测设计。通过结合批归一化、Inception模块、C.ReLU、残差连接和多尺度表示等技术，实现高性能且快速的检测网络。相比VGG16，PVANET在PASCAL VOC数据集上表现出更高的mAP，并且在训练和测试策略上进行了优化，包括使用更少的提案和SVD降维来提高效率。此外，该模型首次将Inception结构应用于目标检测，证明了其在检测任务上的适用性。
摘要由CSDN通过智能技术生成

PVANET: Deep but Lightweight Neural Networks forReal-time Object Detection, arxiv 16.08

论文地址：https://arxiv.org/pdf/1608.08021v1.pdf

code（github）: https://github.com/sanghoon/pva-faster-rcnn

(想不到作者居然这么快开源了，撒花）


=====

根据作者开源的model，pt文件，和代码等，

笔者跑了`example_train_384`这个实验（具体看上面的开源代码下的` models/pvanet/example_train_384`），其结果如下：

trainset： pascal voc 07 trainval-set

testset：  pascal voc 07 testset

mAP：71.81%

stepsize：5w

iterations：10w

lr policy：step

另外把stepsize改为8w，itrations改为11w，其mAP为72.6%，这个比vgg16的69.6%要好。

还跑了trainset为pascal voc 0712的trainval，其中（5w/10w，分别为stepsize和iterations），mAP为73.6%，这个比vgg16的75.8%要低。

=====

更新

跑trainset为pascal voc 0712的trainval，其中（32w iterations，iter_size为3，采用plateau lr policy：2w，3w，4w，5w），mAP为77.15%，这个比vgg16的75.8%要高。

跑trainset为pascal voc 0712的trainval，其中（32w iterations，iter_size为3，采用plateau lr policy：2w，3w，4w，5w，global context branch），mAP为78.38%，这个比vgg16

最低0.47元/天 解锁文章
_menglan_Zi
关注
专栏目录
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8444
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
南有乔木NTU的博客
12-18 2968
PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection论文地址 github源码Introduction这篇论文是发表在2016nips上的一篇关于目标检测的论文，在这个论文之前，目标检测我个人看到效果最好的是Faster R-CNN+++（R-FCN的对比试验,+++代表添加了迭代边框回归，上下文信息
论文笔记：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
隐匿人海的博客
10-17 5765
引入PVANET是韩国研究者（Intel Imaging and Camera Technology）结合了最新的技术，在TITAN X上实现了轻量级模型的实施目标检测任务，在PASCAL VOC上取得了第五名的成绩。网络结构设计C.Relu作者为了减少网络参数，才用了C.ReLU[1]这一结构，最终能够使通道数减少一半。并在concat操作之后加入了尺度变化和偏移。具体结构如下：从图上可以看出，作
深度学习【51】物体检测：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
DCD_LIN的博客
07-23 381
da
【目标检测】PVANET:Deep but Lightweight Neural Networks for Real-time Object Detection
zhw864680355的博客
12-16 294
论文：《PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection》 论文链接：https://arxiv.org/abs/1608.08021 代码链接：https://github.com/sanghoon/pva-faster-rcnn 参考原文：https://blog.csdn.net/u0...
论文笔记: PVANet: Lightweight Deep Neural Networks for Real-time Object Detection
DeepIndeed
12-22 556
论文下载 arxiv paper code Abstract 使用"Feature Extraction+Region Proposal+RoI Classification" 的结构，主要对Feature Extraction进行重新设计。因为，Region Proposal部分计算量不太大而且classification部分可以使用通用的技术(例如：Truncated SVD) 进行有效...
目标检测--PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
cv_family_z的博客
09-05 9759
https://www.arxiv.org/abs/1608.08021本文针对多种类目标检测这个问题，结合当前各种最新技术成果，达到很好的结果。针对整体检测框架：CNN feature extraction + region proposal + RoI classification 我们主要优化 feature extraction，因为 region proposal part 速度比较快
SOD-YOLOv8 - 增强YOLOv8以在交通场景中检测小目标
最新发布
TJMtaotao的博客，高校计算机教师
10-20 1163
提出了Small Object Detection YOLOv8 (SOD-YOLOv8)，这是一种专门针对涉及众多小目标场景的新颖模型。 受到Efficient Generalized Feature Pyramid Networks (GFPN)的启发，作者在YOLOv8中增强多路径融合，以合并多层级的特征，保留浅层细节并提高小目标检测精度。 引入第4个检测层用于有效利用高维度的空间信息。 C2f-EMA模块中的高效多尺度注意力模块（EMA）通过重新分配权重和优先考虑相关特征增强特征提取。
READING NOTE: PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
joshua_1988
08-30 3395
TITLE: PVANET Deep but Lightweight Neural Networks for Real-time Object Detection
PVANet特征提取网络结构图.pdf
11-19
该资源为PVANet中，特征提取网络的结构图。由原论文总结而来。PVANet：用于目标检测的轻量级网络架构，在实时检测中取得了最先进的检测精确度。网络的前面采用了C.ReLu，后面采用了Inception结构，
pvanet检测脚本
05-04
pvanet好用的检测脚本
【PVANet】《PVANET：Deep but Lightweight Neural Networks for Real-time Object Detection》
bryant_meng
04-03 370
arXiv preprint arXiv:1608.08021, 2016. 文章目录1 Background and Motivation2 Advantages / Contributions3 Notions / Innovations4 Method5 Datasets6 Experiments7 Conclusion / Future work 1 Background and ...
读书笔记PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
guojingjuan的博客
09-19 453
转自：http://www.cnblogs.com/xueyuxiaolang/p/5959442.html 传送门：      论文：https://www.arxiv.org/pdf/1608.08021v3.pdf      code：https://github.com/sanghoon/pva-faster-rcnn 中心：
翻译PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection
qq_38288757的博客
05-30 322
摘要：      本文介绍了如何通过适应和结合最近的技术创新，最大限度地降低计算成本，从而实现多类别对象检测任务中的最新精度。继“CNN特征提取+区域提案+ RoI分类”这一常用管道之后，我们主要重新设计特征提取部分，因为区域提案部分计算量不大，并且分类部分可以用截短SVD等常用技术进行有效压缩。我们的设计原则是“少层多渠道”，并采用了一些构建模块，包括连接的ReLU，Inception和Hype...
PVANET 之再阅读
cv_family_z的博客
05-19 5088
旨在降低计算量，重新设计了特征提取部分，设计原则是“通道少层数多”，网络比较深但是比较瘦，使用了batch norm，residual 连接，学习率更新策略等技术。在VOC2012上 rank-2，运行时间在i7-6700K CPU上750ms/帧，在Titan X GPU上运行时间45ms/帧。其他增强性能方法： 在CNN的前几层使用C.ReLU，降低一半计算量 CNN前几层，输出节点激活一般有
PVANET
Bruce_0712的博客
10-22 303
论文：PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection 论文链接：https://arxiv.org/abs/1608.08021 代码链接：https://github.com/sanghoon/pva-faster-rcnn RCNN系列的object detection算法总体上分为特征提取、RPN网络和分类回归三大部分，Faster RCNN的效果虽好，但是速度较慢，这篇文章的出发点是改进Fast
pvanet
jacke121的专栏
02-23 2588
https://github.com/sanghoon/pytorch_imagenet/blob/e76c2359b3361b6db0f9faf583487b2b1a784808/models/pvanet.py import time import torch import torchvision import torch.nn as nn import torch.nn.func...
评论 12
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