首页 > 其他 > 详细

Object Detection的一些进展(Valse2020.4.30)

时间:2020-05-19 22:36:48      阅读:147      评论:0      收藏:0      [点我收藏+]
  • 目标检测的定义

给定一幅图像,判断出其是否存在感兴趣区域, 如果存在,则给出感兴趣区域物体的类别和位置。

  • 目标检测的大类

根据anchor可分为anchor-based和anchor-free。

  1. anchor-based:one-stage 和two-stage。(two-stage中最耗时的是roi-pooling)
  2. anchor-free:center-based和keypoint-based。

 

技术分享图片

 

 

 

(1)anchor-based-RefineDet:

one-stage速度快但精度低,two-stage速度慢但精度高,根据分析,其实two-stage最耗时的地方时roi-pooling。于是RefineDet为了中和速度和精度,提出了一个1.5stage 的目标检测算法。

ARM与RPN类似,过滤掉背景proposal,TCN类似FPN的模块,ADM

技术分享图片  

TCB模块其实类似FPN,只是稍微有所不同。

技术分享图片

 

 AlignConv:

技术分享图片

 

 

(2)anchor-free思考——ATSS(Adaptive Training Sample Selection )策略:

技术分享图片

 

 

 作者通过分析anchor-based和anchor-free的方法的跟别差别发现了采样对anchor-based方法的重要性。

其中,作者比较了RetinaNet(anchor-based)和FCOS(anchor-free)两个方法,发现他们俩在正负样本采样的时候有区别,虽然回归的时候也有些差异,但是回归的loss对算法差异不大,因此作者基于正负样本的采样方式提出了ATSS策略。

技术分享图片

 

 ATSS策略思想:

每次在FPN每层根据anchor的中心点和gt的中心点的IOU的距离选取k个anchor,然后计算这些k个anchor和gt的IOU的距离的均值和方差。根据经验值选取均值和方差作为阈值进行候选,对这些anchor进行丢掉(负样本)或者保存(正样本)。

技术分享图片

 

 结论:对于目标检测,合理的正负样本回归其实是影响目标检测效果的根本原因,回归的时候不管是哪种回归loss其实影响不大。

 

Object Detection的一些进展(Valse2020.4.30)

原文:https://www.cnblogs.com/yeshengCqupt/p/12919957.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!