RefineDet可以看成是SSD,RPN,FPN算法的结合,其主要思想是:Faster-RCNN等two-stage算法,对box进行两次回归,因而精度高,但是速度慢;YOLO等one-stage算法,对box只进行一个回归,速度快,但是精度低.RefineDet将两者结合起来,对box进行两次回归,但是是one-stage算法,既提高了精度,同时速度也较快.RefineDet的框架是SSD,同
转载
2021-05-24 18:10:19
131阅读
2评论
题目：用于目标检测的单发细化神经网络对于物体检测，两阶段方法（例如，更快的R-CNN）已经实现了最高的准确性，而一阶段方法（例如，SSD）具有高效的优点。为了继承两者的优点并克服它们的缺点。RefineDet的主要思想：一方面引入two stage类型的object detection算法中对box的由粗到细的回归思想。另一方面引入类似FPN网络的特征融合操作用于检测网络，可以有效提高对小目标的检测效果，检测网络的框架还是SSD。由粗到细回归：其实就是先通过RPN网络得到粗粒度的box.
原创
2021-11-08 16:44:28
169阅读
恢复内容开始 一、创新点 针对two-stage的速度慢以及one-stage精度不足提出的方法，refinedet 包括三个核心部分：使用TCB来转换ARM的特征，送入ODM中进行检测； 两步级连回归；过滤较多的负样本（容易分类的，类似于ohem）。 （1）anchor refine module
原创
2022-01-17 16:50:10
137阅读
https://github./sfzhang15/RefineDet 1、编译安装 cp Makefile.config.example Makefile.config make all -j4 make pycaffe 2、训练 （1）原作只提供了resnet101,vgg16两种网络，因
原创
2022-01-17 16:49:55
115阅读
前言今天为大家介绍一篇CVPR 2018的一篇目标检测论文《Single-Shot Refinement Neural Network for Object Detection》，简称为RefineDet。RefineDet从网络结构入手，结合了one-stage目标检测算法和two-stage目标检测算法的优点重新设计了一个在精度和速度均为SOTA的目标检测网络。论文的思想值得仔细推敲，我们下面
原创
2022-04-19 14:26:03
484阅读
摘要RefineDet是CVPR 2018的一篇论文，文中提出了一个新的single-shot检测器RefineDet，实现了比二阶段方法更高的准确率而且具有与一阶段方法相当的效率。RefineDet包括两个互连模型ARM（anchor refinement module）和ODM（object detection module）：前者用于滤除negative anchors来减少分类器的搜索空间
摘要对于目标检测，两阶段方法(如Faster R-CNN)的准确率最高，而单阶段方法(如SSD)的效率较高。为了在继承两种方法优点的同时克服它们的缺点，本文提出了一种新的单阶段检测器，称为RefineDet，它比两阶段方法具有更好的精度，并保持了与单阶段方法相当的效率。RefineDet由两个相互连接的模块组成，即锚点细化模块和目标检测模块。具体来说，前者的目的是：(1)过滤掉负锚点，减...
原创
2021-08-13 09:46:06
221阅读
0.前言本文记录自己在使用Refinedet算法训练自己的数据集时的过程。 文件夹的具体内容如下。大文件的名字是Refinedet-VL30.1.数据集准备数据集按照标准的VOC格式进行制作就可以。我把数据集放到了data路径下，名字为VL30.2.环境配置caffe安装首先是要完成caffe环境大安装，这期间遇到了很多的错误，出错就去查度娘找博客就可以，很多方法多试一试，不一定哪个就好使了。Re
论文名称：《 Single-Shot Refinement Neural Network for Object Detection 》论文下载：https://arxiv.org/abs/1711.06897论文代码：https://github.com/sfzhang15/RefineDet主要思想引入 two stage 类型的 object detection 算法中对 box 的
转载
2024-04-24 13:29:18
52阅读
目录1 传统目标检测... 22 基于深度学习的目标检测... 32.1 单阶段目标检测... 32.1.1 YOLO系列... 32.1.2 SSD.. 42.1.3 RefineDet 52.2 两阶段目标检测... 52.2.1 R-CNN.. 52.2.2 SPP-Net 62.2.3 Fast R-CNN.. 62.2.4 Faster R-CNN.. 62.3 总结... 63 基于T
Single-Shot Refinement Neural Network for Object Detection论文链接：https://arxiv.org/pdf/1711.06897v1.pdf 代码链接：https://github.com/sfzhang15/RefineDet 今天接着看CVPR 2018的文章，不过总的来说，这篇文章亮点不是很多，谈不上insight，大致上可以
转载
2024-04-07 09:36:43
86阅读
最近在用tensorrt api实现refinedet，中间过程记录一下。主要参考的如下仓库：https://github.com/wang-xinyu/tensorrtxtensorrt api说明：https://docs.nvidia.com/deeplearning/tensorrt/api/c_api/index.html vgg主体部分实现了和pytorch精度一致，然后有个自定义L2
前言目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和S...
转载
2022-08-07 00:34:24
236阅读
目标检测存在的问题总结1.从专注精度的Faster RCNN、RFCN相关系列，以及专注速度的YOLO系列，未来的方向更专注于精度和速度的结合，这也是过去的很多模型在SSD系列上产生的原因，主要代表有RefineDet、RFBNet等。所以SSD系列的研究会成为主流。2.目标选框从Region Based 和Anchor Based到基于角点，甚至是基于segmentation，包括semanti
当前针对目标检测算法有两种思路（暂时不考虑anchor free），其中一种是轻量化two-stage检测算法（如thundernet），另外一种就是提高one-stage算法的精度，如使用更好的特征（特征融合、多尺度特征FPN等），包括基于SSD改进的refinedet，基于FPN的RetinaNet等等。AlignDet就是在RefinDet的基础上的进一步工作，它指出了one-stage和t
原创
2022-01-17 16:05:31
427阅读
前言目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要
作者丨ChaucerG编辑丨极市平台导读 针对微小目标的特征分散和层间语义差异的问题，本文提出了一种结合上下文增强和特征细化的特征金字塔复合神经网络结构。该网络在VOC数据集上的目标平均精度达到16.9%，比YOLOV4高3.9%，比CenterNet高7.7%，比RefineDet高5.3%。提出了一种结合增强上下文和细化特征的特征金字塔网络。将多尺度扩张卷积得到的特征自上至下融合
转载
2022-10-04 18:00:48
466阅读
一、前言1.1 什么是目标检测目标检测问题可以分为以下两个问题：
分类:所有类别的概率定位: 4个值(中心位置x,y,宽w,高h)
目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选
转载
2020-05-25 23:04:00
184阅读
2评论
1. M2Det 论文思维导图 该思维导图使用 MindMaster 软件做出2. Abstract 在目标检测网络中应用特征金字塔结构在目标检测网络中已经成为一种趋势，如单阶段目标检测中的的 DSSD，RetinaNet，RefineDet，还有双阶段目标检测中的 Mask R-CNN, DetNet 等结构。通过应用特征金字塔，这些网络在解决目标多尺度问题上有了一定的进步。但由于上述网络中
下面是博主个人就目标检测算法在深度学习领域未来研究的一些看法：1.从专注精度的Faster RCNN、RFCN相关系列，以及专注速度的YOLO系列，未来的方向更专注于精度和速度的结合，这也是过去的很多模型在SSD系列上产生的原因，主要代表有RefineDet、RFBNet等。所以SSD系列的研究会成为主流。2.目标选框从Region Based 和Anchor Based到基于角点，甚至是基于se
