MMOct, 2021

RCNet: 反向特征金字塔和跨尺度移位网络用于目标检测

PDF
TL;DR本篇研究提出一种新型的 RCNet 架构，由 Reverse Feature Pyramid (RevFP) 和 Cross-scale Shift Network (CSN) 组成，用于多尺度特征融合，在 MS COCO 测试集中证明 RCNet 能够显著提高 RetinaNet 等检测器的精度
feature pyramid networkobject detectionmulti-scale feature fusionreverse feature pyramidcross-scale shift network
发现论文，激发创造
  • AugFPN: 改进目标检测多尺度特征学习

    本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

    Dec, 2019

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • 完全可逆的双向特征金字塔网络

    RevSilo 是第一个用于双向多尺度特征融合的可逆模块，可通过可逆重计算来减少存储隐藏激活所需的内存，借助堆叠的 RevSilos，创建了一个完全可逆的双向特征金字塔网络 RevBiFPN，它在分类方面与 EfficientNet 等网络具有竞争力，同时使用的存储内存更少。

    Jun, 2022

  • NAS-FPN：学习可扩展的特征金字塔架构用于目标检测

    本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式，通过结合 RetinaNet 框架中的各种骨干模型，相比当前最先进的目标检测模型，在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值，并以更少的计算时间实现了 48.3 的检测精度，超过了 Mask R-CNN [10] 的检测精度。

    Apr, 2019

  • 对象检测的隐式特征金字塔网络

    本文介绍了一种基于 DEQ 的隐式特征金字塔网络（i-FPN）用于物体检测，实验结果表明 i-FPN 可以显著提高检测性能。

    Dec, 2020

  • GraphFPN：面向物体检测的图特征金字塔网络

    本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

    Aug, 2021

  • 你应该看所有物体

    提出了两种可行的策略来解决特征金字塔网络（FPN）在物体检测中对大尺度物体检测能力的抑制，即引入辅助目标函数来使每个骨干网络层直接接收不同尺度的物体的反向传播信号和更合理地构建特征金字塔，实验证明这两种策略有效率高，可以在各种检测框架中获得相当的改进

    Jul, 2022

  • 使用特征精炼网络和分层多尺度架构检测头部

    本文提出了一种使用深度卷积神经网络实现室内场景下头部尤其是小头部准确检测的方法，其核心是特征细化网络（FRN）和级联多尺度架构，并使用 SCUT-HEAD 数据集进行测试，取得了最先进水平的表现。

    Mar, 2018

  • 目标检测的简单训练策略和模型扩展

    本文研究物体检测系统的速度和准确率损失函数，并通过改进模型架构、训练技术等方法，将模型的准确率提升了 7.7％，速度提升了 30％。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡，产生了两个 Pareto 曲线。最后，作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。

    Jun, 2021

  • 动态特征金字塔网络用于物体检测

    本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

    Dec, 2020