Feature Pyramid Networks for Object Detection 学习笔记

2024-04-06 14:38

本文主要是介绍Feature Pyramid Networks for Object Detection 学习笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Feature Pyramid Networks for Object Detection 学习笔记

技术小白一枚,这是我的第一遍学习笔记,主要是为了记录自己看过的论文记录。。不是为了分享给大佬们看的,写的不好的地方请大佬们谅解

本篇论文主要包含以下几个部分:

  • 摘要
  • 简介
  • FPN结构介绍
  • 应用
  • 实验

摘要

利用固有的多规模,金字塔层的深层卷积网络,以边缘切割为代价来构造特征金字塔网络,在top-down的基础上在Fast R-CNN 上使用该网络,并在COCO 数据集上取得单模型上的最好效果。

简介

这部分主要介绍了之前现有的一些利用金字塔模型的网络结构,但是它们都存在一定的缺陷,引出该方法的优势。

  • Featurized image pyramid 用图像金字塔生成特征金字塔
  • Single feature map 只在特征的最上层预测
  • Pyramidal feature hierarchy分层预测
  • Feature Pyramid Network 本文的特征金字塔网络
    这里写图片描述

  • 第一种结构对不同尺寸的图片生成不同尺寸的特征图,形成金字塔结构,这种的比较费时,而且要把同一张图做成不同的尺寸,显然麻烦

  • 第二种则比较单一
  • 第三种会错过高层的特征信息,没有对高分辨率图的特征进行合理的利用,总之就是别人的肯定都有缺陷,以此引出自己的很厉害啦
  • 第四种是本文的方法,把低层的细节和高层的特征进行融合,取得了很好的效果,还不费时费内存

The goal of this paper is to naturally leverage the pyramidal shape of a ConvNet’s feature hierarchy while creating a feature pyramid that has strong semantics at all scales.

特征金字塔网络

主要包含三个部分:

  • bottom-up pathway
  • top-down pathway
  • lateral connections

bottom-up pathway

自下而上的路径方法是所有网络的基本的方法,对图片的特征从小往上依次提取,低层的细节多,高层的特征性强

top-down pathway

自上而下的路径是本文中用到的,吧高层的特征进行*2之后,和低层的进行融合,从上往下依次表示,形成金字塔网络

lateral connections 横向连接

在本文的方法中,将低层的网络进行1*1的conv之后,横向传递与高层down下来的进行融合,后面的实验证明这个方法起了很大的作用

这里写图片描述

这里写图片描述

应用

该文中主要对FPN 的两个应用:

  1. in RPN for bounding box proposal
  2. in Fast R-CNN for object detection

    因为我在fast R-cnn这一块才在入门,所以对一些网络专有的名次还不是很懂,只能大概理解一下

在RPN中,用FPN来替代单尺度的特征图
在fast R-CNN中,FRCNN本身是一个区域的目标检测器,ROI池用于分割特征,在这里,为了配合FPN,作者将ROI不同比例分配到不同的金字塔级上,将conv5用来构建特征金字塔,ROI用来分离7*7特征,将两个隐藏的1024-d的fc层放在最终分类器的bounding box回归层之前,作为头部,更轻并且更快。

具体的一些细节,以及应用,在实验部分有更加详细的说明。可惜的是,这篇论文中并没有给出具体的改造的网络图,只能靠自己理解想象了。。。。sad

实验部分

实验部分给了很多对比的数据表,有RPN的,有Fast R-CNN的,还有Faster的,其中分别有用到top-down的,和用到横向连接的,对比很清晰,就不一一赘述了
这里写图片描述

这里写图片描述

这里写图片描述

单模型

这里写图片描述

这篇关于Feature Pyramid Networks for Object Detection 学习笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/880110

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

Java中Object类的常用方法小结

《Java中Object类的常用方法小结》JavaObject类是所有类的父类,位于java.lang包中,本文为大家整理了一些Object类的常用方法,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. public boolean equals(Object obj)2. public int ha

深入探讨Java 中的 Object 类详解(一切类的根基)

《深入探讨Java中的Object类详解(一切类的根基)》本文详细介绍了Java中的Object类,作为所有类的根类,其重要性不言而喻,文章涵盖了Object类的主要方法,如toString()... 目录1. Object 类的基本概念1.1 Object 类的定义2. Object 类的主要方法3. O

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss