本课程讲述对YOLOv5更换Neck的改进方法，结合BiFPN或ASFF特征融合机制来提高其性能。
原创
2022-07-12 11:47:57
2468阅读
1评论
来自这篇论文：<Learning Spatial Fusion for Single-Shot Object Detection> 论文地址:https://arxiv.org/pdf/1911.09516v1.pdf 代码地址:https://github.com/ruinmessi/ASFF 捕
原创
2021-07-09 14:32:25
5759阅读
下面先放一张论文的结果图。。1. 前言今天为大家介绍一下2019年的一篇论文 《Learning Spatial Fusion for Single-Shot Object Detection》，这篇论文主要是因为其提出的 自适应空间特征融合 (ASFF)被大家所熟知。金字塔特征表示法(FPN)是解决目标检测尺度变化挑战的常用方法。但是，对于基于FPN的单级检测器来说，不同特征尺度之间的不一致是其
原创
2022-04-19 15:12:55
99阅读
前言为了方便大家阅读，我已经将其中的目标检测（Object Detection）
转载
2022-11-14 17:27:04
57阅读
一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）
转载
2021-07-19 14:29:00
888阅读
目标检测中特征融合技术（YOLO v4）（下） ASFF：自适应特征融合方式 ASFF来自论文：《Learning Spatial Fusion for Single-Shot Object Detection》，也就是著名的yolov3-asff。 金字塔特征表示法(FPN)是解决目标检测尺度变化
转载
2020-05-20 08:08:00
748阅读
2评论
ASFF：自适应特征融合方式 ASFF来自论文：《Learning Spatial Fusion for Single-Shot Object Detection》，也就是著名的yolov3-asff。金字塔特征表示法(FPN)是解决目标检测尺度变化挑战的常用方法。但是，对于基于FPN的单级检测器来说，不同特征尺度之间的不一致是其主要限制。因此这篇论文提出了一种新的数据驱动的金字塔特征融合方式，称
【自适应空间特征融合模块ASFF介绍】ASFF（Adaptive Spatial Feature Fusion）是一种自适应特征融合策略，旨在解决目标检测中不同尺度特征之间的冲突和不一致性。基本概念和原理ASFF通过学习每个尺度特征的自适应融合权重，过滤掉无用的或冲突的信息，只保留有助于检测的特征，从而提高特征的尺度不变性。其核心步骤包括：特征重缩放：将不同层次的特征进行上采样或下采样
文章目录1.提升模型感受野1）SPP2）ASPP3）RFB2.注意力机制1）SE2）SAMCAM（Channel Attention Module）SAM（Spatial Attention Module）3）modified SAM3.特征融合模块1）Skip Connection2）Hyper Column3）FPN4）SFAM5）ASFF6）BiFPN4.激活函数1）Swish、hard-
转载
2024-04-09 21:30:33
92阅读
1. 前言看过前几天【CNN调参】目标检测算法优化技巧的同学应该知道，ASFF的作者在构建Stronger YOLOV3 BaseLine的时候就用到了Guided Anchoring这种Trick。这篇论文题目为《Region Proposal by Guided Anchoring》，中了CVPR 2019。这篇论文提出了一种新的Anchor生成方法Guided Anchoring，
原创
2022-04-19 15:04:52
132阅读
目录1. 概述2. 经典Neck的回顾2.1 FPN(特征金字塔结构)2.2 PANet2.2.1 创建了自下而上的路径增强2.2.2 Adaptive Feature Pooling 2.3 Bi-FPN及FPN的演进ASFF，NAS-FPN，Recursive-FPN）3 典型head回顾 3.1 RPN(Region
前言最近目标检测相关的论文非常多，可见ObjectDetection还是有很多工作(坑)可以做(填)的。上次Amusi就整理了近期值得关注的目标检测论文，详见：一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）纵览2019年，目标检测除了NAS分支外，Anchor-free算是占据"半壁江山"。其中比较亮眼
原创
2021-01-29 22:27:24
514阅读
注意力机制1 SENet2 ECANet3 CBAM3.1 通道注意力3.2 空间注意力3.3 CBAM4 展示网络层具体信息5 SKNet6 scSE7 Non-Local Net8 GCNet9 ASFF10 注意力机制后期学习到再持续更新！！ 2023.3.2新增SKNet代码 2023.3.10 新增 scSE代码 2023.3.11 新增 Non-Local Net 非局部神经网络 2
转载
2024-09-03 11:08:16
180阅读
前言上次整理了近期目标检测比较亮眼的论文汇总，详见：一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）。很多CVers在后台和微信社群反映：这些都是很新的论文，我刚入门都看不懂怎么办？答：看综述！大概理清脉络后，再挑着细读论文，撸代码正好已经2019年11月底了，是时候做个总结性盘点，而这次盘点的就是2019年目标检测综述（O
原创
2021-01-29 22:16:05
648阅读
写在前面早就看到过这篇论文，一直到今天才有时间去实现，论文的主要贡献是提出了一种新的特征融合方法，论文中称之为ASFF，以YOLOV3为基础模型进行改进和优化，从理论创新点以及实验结果来看，还是值得大家学习的。 在复现代码的时候，最简单、方便、快捷的途径当然是去网上搜教程，有教程真的比自己对着read.me瞎搞快很多。目前我网上看到的大都是对论文的解析，对工程如何复现的博客比较少（反正我只看到一篇
