FoveaBox 超越anchor based检测框架
目标检测系列文章
yolo v1原理:https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理:https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理:https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理:https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox:https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS:https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687
简介
FoveaBox是一个anchor free的目标检测框架,与FCOS比较类似
网络结构
如下图所示
可以看出FoveaBox和FCOS非常相似,经过FPN之后的特征图通过两个分支,一个预测类别,输出维度是H*W*C. 一个预测位置,输出维度是H*W*4。
在FCOS里面,会有一个Centerness的输出,用来剔除原理目标中中点的预测框。而在FoveaBox里面,增加了一个FovearArea的模块,在训练的时候,他将GT框往里收缩一定比例,作为正样本像素点(此区域就是图像的fovea area),将GT框往外扩展一定比例,然后之外的当做负样本像素点。中间的忽略。以此来减少远离中心点的预测,从而提高精度。总的来说FCOS使用的CentNess感觉更平滑一点,而且没有超参。FoveaBox需要自己调整正样本像素点和负样本像素点的矩形框比例。
实现细节:
如何处理重叠区域
这点和FCOS基本一致,就是在训练过程中将不同大小的GT按照一定的条件约束到不同的输出层。因为大部分重叠是大物体和小物体的重叠,所以就能比较好的将重叠局域区分开。
参考资料:
机器之心:《最新Anchor-Free目标检测模型—FoveaBox》
CSDN: 《论文学习 FoveaBox: Beyond Anchor-based Object Detector》
FoveaBox 超越anchor based检测框架相关推荐
- FCOS 基于FPN之上的完全Anchor Free检测框架
目标检测系列文章 yolo v1原理:https://blog.csdn.net/cjnewstar111/article/details/94035842 yolo v2原理:https://blo ...
- 目标检测论文阅读:GHM(anchor based)
目标检测论文阅读:GHM(anchor based) 论文链接:https://arxiv.org/abs/1811.05181 代码链接:https://github.com/libuyu/GHM_ ...
- YOLOv6:又快又准的目标检测框架开源啦
近日,美团视觉智能部研发了一款致力于工业应用的目标检测框架 YOLOv6,能够同时专注于检测的精度和推理效率.在研发过程中,视觉智能部不断进行了探索和优化,同时吸取借鉴了学术界和工业界的一些前沿进展和 ...
- 阿里达摩院开源DAMO-YOLO:兼顾速度与精度的新目标检测框架
作者丨陈威华 阿里达摩院智能计算实验室 编辑丨极市平台 1.简介 DAMO-YOLO是一个兼顾速度与精度的目标检测框架,其效果超越了目前的一众YOLO系列方法,在实现SOTA的同时,保持了很高的推理速 ...
- 达摩院 | DAMO-YOLO:兼顾速度与精度的新目标检测框架
作者 | 陈威华 编辑 | 极市平台 点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心[目标检测]技术交流群 后台回复[2D检测综述] ...
- Anchor Based和Anchor Free的相爱相杀与ATSS的诞生
前言 我们都知道按照是否出现RPN可将目标检测算法分为two-stage和one-stage,其中one-stage的一个主要代表便是YOLO系列,而根据是否存在先验锚框的定义我们也可以将其分为Anc ...
- anchor free和anchor based的区别
链接:https://www.zhihu.com/question/356551927/answer/926659692 1.目标检测算法一般可分为anchor-based.anchor-free.两 ...
- YOLOv6:又快又准的目标检测框架开源啦《转载》
转载的原文链接 1. 概述 YOLOv6 是美团视觉智能部研发的一款目标检测框架,致力于工业应用.本框架同时专注于检测的精度和推理效率,在工业界常用的尺寸模型中:YOLOv6-nano 在 COCO ...
- CVPR 2020 | 旷视提出新型人-物交互检测框架,实现当前最佳
本文转载自旷视研究院 本文提出一种新型人-物交互检测算法,可直接把人-物交互关系检测为一系列的交互点,进一步预测朝向人和物体中心的交互向量:接着,这些交互点可以配对组合人与物体的检测结果,以生成最终的 ...
最新文章
- jquery ajax中使用jsonp的限制[转]
- gin ajax 获取请求参数,go的gin框架从请求中获取参数的方法
- Python使用pyexecjs代码案例解析
- Java 使用poi导入excel,结合xml文件进行数据验证的例子(增加了jar包)
- Hive 执行计划之Reduce Output Operator
- 我们用大数据创造没人能理解的人工智能
- Rust: flat_map、filter_map、for_each
- c++中char类型在内存中的表示以及取值范围
- Url 助手类(Url Helper)
- 做减肥产品微商地推用什么做引流?如何选择转化率较高的地推方式
- cad计算机制图如何标注,零件序号和图号有什么区别,CAD制图中怎样标注零件序号...
- bootstrapform表单重置_“bootstrap table”怎么重置表单?
- 子午线弧长计算公式matlab,椭球面上的几种弧长计算和大地线
- 接口自动化测试框架介绍
- 条形码录入测试软件,条码管理:商品条码录入
- Python Nan与NaT
- ZFS-128bit文件系统
- 绝妙的 channel
- t420i升级固态硬盘提升_2100MB超高读速,雷克沙推出新品固态,笔记本硬盘升级新选择...
- Razor 一知半解