当前位置: 首页 > news >正文

成都网站建设备案黄骅港中铁招聘信息

成都网站建设备案,黄骅港中铁招聘信息,php网站开发前言,住房和城乡建设部政务服务平台app本文转载自Smarter。自从2018年8月CornerNet开始#xff0c;Anchor-Free的目标检测模型层出不穷#xff0c;最近达到了井喷的状态#xff0c;宣告着目标检测迈入了Anchor-Free时代。其实Anchor-Free并不是一个新概念了#xff0c;大火的YOLO算是目标检测领域最早的Anchor-F… 本文转载自Smarter。自从2018年8月CornerNet开始Anchor-Free的目标检测模型层出不穷最近达到了井喷的状态宣告着目标检测迈入了Anchor-Free时代。其实Anchor-Free并不是一个新概念了大火的YOLO算是目标检测领域最早的Anchor-Free模型而最近的Anchor-Free模型如FASF、FCOS、FoveaBox都能看到DenseBox的影子。下面主要讲一下有代表性的Anchor-Free模型(包括DenseBox、YOLO、CornerNet、ExtremeNet、FSAF、FCOS、FoveaBox)分成3个部分来介绍(早期探索、基于关键点、密集预测)具体细节就不展开了~早期探索1.DenseBox最早知道这篇文章是在去年刚接触目标检测的时候看了一篇地平线对DenseBox作者的采访当时因为刚接触感触不深但是从当前的时间节点回头看DenseBox的想法是多么的超前啊。采访中说道当年DenseBox其实早在2015年初就已经开发出来了这比同期的Faster-RCNN系列提前数月但是论文直到9月才在arxiv上发布。如果DenseBox能在2015年初就发表那么最近几年目标检测的发展会不会是另外一番景象呢~~地平线HorizonRobotics黄李超让算法成为一种生活方式 | 地平线算法工程师特稿 | https://zhuanlan.zhihu.com/p/24350950两点贡献1.证明单个FCN可以检测出遮挡严重、不同尺度的目标。2.通过多任务引入landmark localization能进一步提升性能。如图1所示单个FCN同时产生多个预测bbox和置信分数的输出。测试时整个系统将图片作为输入输出5个通道的feature map。每个pixel的输出feature map得到5维的向量包括一个置信分数和bbox边界到该pixel距离的4个值。最后输出feature map的每个pixel转化为带分数的bbox然后经过NMS后处理。Ground Truth Generation第一个通道ground truth map的正标签区域由半径为r的圆填充圆的中心点位于bbox的中点。而剩下的4个通道由bbox的2个角点决定。Refine with Landmark Localization在FCN结构中添加少量层能够实现landmark localization然后通过融合landmark heatmaps和score map可以进一步提升检测结果。2.YOLOYOLO将目标检测作为一个空间分离的边界框和相关的类概率的回归问题。可以直接从整张图片预测出边界框和分类分数。三个优点1.速度快2.通过整幅图进行推理得到预测结果3.能学到目标的一般特征Unified DetectionYOLO将输入图片分成SXS个网格如果某个目标的中心点落到其中一个格点那么该格点就负责该目标的检测。每个格点预测出B个bbox和每个bbox的置信分数。定义置信度为每个bbox由5个预测值组成xywh 和 置信度。每个格点也预测C个类概率测试的时候将类概率和置信分数相乘得到类置信分数举个例子在Pascal VOC数据集上评估YOLO使用S7B2VOC有20类所以C20那么最终的预测结果是7x7x30的向量。DenseBox和YOLO的区别1.DenseBox应用于人脸检测相当于只有两类而YOLO是通用检测通常大于两类。2.DenseBox是密集预测对每个pixel进行预测而YOLO先将图片进行网格化对每个grid cell进行预测。3.DenseBox的gt通过bbox中心圆形区域确定的而YOLO的gt由bbox中心点落入的grid cell确定的。基于关键点3.CornerNet两点贡献1.通过检测bbox的一对角点来检测出目标。2.提出corner pooling来更好的定位bbox的角点。Detecting Corners首先预测出两组heatmaps一组为top-left角点另一组为bottom-right角点。每组heatmaps有C个通道表示C个类别尺寸为HxW。每个通道是一个binary mask表示一个类的角点位置。对于每个角点来说只有一个gt正例位置其他都为负例位置。训练时以正例位置为圆心设置半径为r的范围内减少负例位置的惩罚(采用二维高斯的形式)如上图所示。Grouping Corners受到多人姿态估计论文的启发基于角点embedding之间的距离来对角点进行分组。Corner Pooling在每个pixel位置最大池化第一个feature map右方的所有特征向量最大池第二个feature map下方的所有特征向量然后将两个池化结果相加。4.ExtremeNet两个贡献1.将关键点定义为极值点。2.根据几何结构对关键点进行分组。作者使用了最佳的关键点估计框架通过对每个目标类预测4个多峰值的heatmaps来寻找极值点。另外作者使用每个类center heatmap来预测目标中心。仅通过基于几何的方法来对极值点分组如果4个极值点的几何中点在center map上对应的分数高于阈值则这4个极值点分为一组。offset的预测是类别无关的而极值点的预测是类别相关的。center map没有offset预测。网络的输出是5xC heatmaps和4x2offset mapsC是类别数。Center Grouping分组算法的输入是每个类的5个heatmaps一个center heatmap和4个extreme heatmaps通过检测所有的峰值来提取出5个heatmaps的关键点。给出4个极值点计算几何中心如果几何中心在center map上对应高响应那么这4个极值点为有效检测。作者使用暴力枚举的方式来得到所有有效的4个关键点。CornerNet和ExtremeNet的区别1.CornerNet通过预测角点来检测目标的而ExtremeNet通过预测极值点和中心点来检测目标的。2.CornerNet通过角点embedding之间的距离来判断是否为同一组关键点而ExtremeNet通过暴力枚举极值点、经过中心点判断4个极值点是否为一组。密集预测5.FSAFMotivation让每个实例选择最好的特征层来优化网络因此不需要anchor来限制特征的选择。一个anchor-free的分支在每个特征金字塔层构建独立于anchor-based的分支。和anchor-based分支相似anchor-free分支由分类子网络和回归子网络。一个实例能够被安排到任意层的anchor-free分支。训练期间基于实例的信息而不是实例box的尺寸来动态地为每个实例选择最合适的特征层。选择的特征层学会检测安排的实例。推理阶段FSAF模块和anchor-based分支独立或者联合运行。Feature Selective Anchor-Free Module在RetinaNet的基础上FSAF模块引入了2个额外的卷积层这两个卷积层各自负责anchor-free分支的分类和回归预测。具体的在分类子网络中feature map后面跟着K个3x3的卷积层和sigmoid在回归子网络中feature map后面跟着4个3x3的卷积层和ReLU。Ground-truth白色为有效区域灰色为忽略区域黑色为负样本区域。Online Feature Selection实例输入到特征金字塔的所有层然后求得所有anchor-free分支focal loss和IoU loss的和选择loss和最小的特征层来学习实例。训练时特征根据安排的实例进行更新。推理时不需要进行特征更新因为最合适的特征金字塔层自然地输出高置信分数。6.FCOS四个优点1.将检测和其他使用FCN的任务统一起来容易重用这些任务的思想。2.proposal free和anchor free减少了超参的设计。3.不使用trick达到了单阶段检测的最佳性能。4.经过小的修改可以立即拓展到其他视觉任务上。和语义分割相同检测器直接将位置作为训练样本而不是anchor。具体的如果某个位置落入了任何gt中那么该位置就被认为是正样本并且类别为该gt的类别。基于anchor的检测器根据不同尺寸安排anchor到不同的特征层而FCOS直接限制边界框回归的范围(即每个feature map负责一定尺度的回归框)。Center-ness为了剔除远离目标中心的低质量预测bbox作者提出了添加center-ness分支和分类分支并行。开根号使center-ness衰退缓慢。center-ness范围为0-1之间通过BCE训练。测试时最终分数由center-ness预测结果和分类分数乘积得到。7.FoveaBoxMotivation人类眼睛的中央凹视野(物体)的中心具有最高的视觉敏锐度。FoveaBox联合预测对象中心区域可能存在的位置以及每个有效位置的边界框。由于特征金字塔的特征表示不同尺度的目标可以从多个特征层中检测到。FoveaBox添加了2个子网络一个子网络预测分类另一个子网络预测bbox。Object Fovea目标的中央凹如上图所示。目标中央凹只编码目标对象存在的概率。为了确定位置模型要预测每个潜在实例的边界框。FSAF、FCOS、FoveaBox的异同点1.都利用FPN来进行多尺度目标检测。2.都将分类和回归解耦成2个子网络来处理。3.都是通过密集预测进行分类和回归的。4.FSAF和FCOS的回归预测的是到4个边界的距离而FoveaBox的回归预测的是一个坐标转换。5.FSAF通过在线特征选择的方式选择更加合适的特征来提升性能FCOS通过center-ness分支剔除掉低质量bbox来提升性能FoveaBox通过只预测目标中心区域来提升性能。(DenseBox、YOLO)和(FSAF、FCOS、FoveaBox)的异同点1.都是通过密集预测进行分类和回归的。2.(FSAF、FCOS、FoveaBox)利用FPN进行多尺度目标检测而(DenseBox、YOLO)只有单尺度目标检测。3.(DenseBox、FSAF、FCOS、FoveaBox)将分类和回归解耦成2个子网络来得到而(YOLO)分类和定位统一得到。总结1.各种方法的关键在于gt如何定义ps关于这一点我稍加一点补充目标检测的gt是一个矩形框然而用这个矩形框信息来检测目标显然是不合理的因为矩形框内只有一小部分是目标而剩下的是背景这可能会导致检测器的精度下降而最近的一些anchor-free模型其实是改变了gt的定义比如cornernet定义为角点extremenet定义为极值点和中心点FSAF、FoveaBox定义为矩形框的中间区域FCOS虽然是矩形框但是经过center-ness抑制掉低质量的框其实也是一种变相的将gt定义为矩形框中心区域。gt重新定义之后需要检测的目标语义变得更加明确了有利于分类和回归。所以我认为设计合适的gt是提升目标检测速度和精度的关键个人所见欢迎探讨2.主要是基于关键点检测的方法和密集预测的方法来做Anchor-Free3.本质上是将基于anchor转换成了基于point/regionReference【1】DenseBox: Unifying Landmark Localization with End to End Object Detection【2】You Only Look Once: Unified, Real-Time Object Detection【3】CornerNet: Detecting Objects as Paired Keypoints【4】Bottom-up Object Detection by Grouping Extreme and Center Points【5】Feature Selective Anchor-Free Module for Single-Shot Object Detection【6】FCOS: Fully Convolutional One-Stage Object Detection【7】FoveaBox: Beyond Anchor-based Object DetectorEND备注目标检测目标检测交流群2D、3D目标检测等最新资讯若已为CV君其他账号好友请直接私信。我爱计算机视觉微信号:aicvmlQQ群:805388940微博知乎:我爱计算机视觉投稿:amos52cv.net网站:www.52cv.net在看让更多人看到
http://wiki.neutronadmin.com/news/369806/

相关文章:

  • 网站没收录可以做推广吗网站建设公司选择意见书
  • wordpress网站翻译插件设计师去哪个网站找工作
  • 网站建设重点茂名网站优化
  • 张家港英文网站制作上海最新新闻资讯
  • 大学生创业做网站的筹资方式婚纱摄影介绍
  • seo网站优化软件wordpress 上传网站吗
  • 达内培训网站开发信息产业部 备案网站
  • 自己做的网站如何发布简单html代码
  • 茶叶企业网站源码网站后台不更新
  • 建设网站用什么代码写好呢如何用国外网站做头条
  • 网站内页没有排名wordpress 清爽主题
  • 移动网站和定制网站太原做企业网站
  • 西宁建设网站价格低互联网十大创业项目
  • 太湖手机网站建设外包小程序
  • 中国建设网官方网站下载e路最新版国家住房和城乡建设部中国建造师网站
  • 重庆网站建站推广建筑证书兼职网站
  • 下拉网站导航用ps怎么做关键词在线下载
  • 郑州个人做网站汉狮wordpress文章相册模式
  • 南皮做网站价格vue大型网站开发
  • 建设网站需要云服务器吗竹子建站下载
  • 礼品公司网站建设页面效果图
  • 建设阿里巴巴网站首页注册域名在哪里注册
  • 企业建设网站的主要作用短视频seo系统
  • 做网站伊犁哈萨克自治州四川平台网站建设哪里有
  • 金融网站模版软件工程职业生涯规划书
  • 查看网站备案信息邯郸市公司
  • title (网站开发)网络推广培训平台
  • 借个网站备案号设计师的招聘要求
  • 泸州建设工程质量监督网站微信小程序开发服务商
  • 构建电子商务网站的步骤wordpress 路径插件