茂港网站开发公司,一个公司备案多个网站要注意,松江营销型网站建设公司,电子商务专业毕业了从事什么工作1、简介
近年来#xff0c;深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名#xff0c;并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大… 1、简介
近年来深度卷积神经网络在计算机视觉上取得了优异的性能。深度卷积神经网络以精确地分类目标信息而闻名并采用了简单的卷积体系结构来降低图层的复杂性。基于深度卷积神经网络概念设计的VGG网络。VGGNet在对大规模图像进行分类方面取得了巨大的性能。该网络设计了一堆小卷积滤波器使网络结构非常简单但网络有一些定位错误。 就有研究者提出了独特的网络架构PPCNN金字塔池化卷积神经网络以减少定位误差并提取高级特征图。该网络由改进的VGGNet和U-shape特征金字塔网络组成。介绍了一种提取和收集目标的小特征信息并从源图像中检测小物体的网络。该方法在定位和检测任务中取得了更高的精度。
二、背景
Facebook的特征金字塔网络Feature Pyramid Networks(FPN)。FPN主要解决的是物体检测中的多尺度问题通过简单的网络连接改变在基本不增加原有模型计算量情况下大幅度提升了小物体检测的性能。我们将从论文背景论文思想结果与结论几方面探讨此论文。
在物体检测里面有限计算量情况下网络的深度对应到感受野与stride通常是一对矛盾的东西常用的网络结构对应的stride一般会比较大如32而图像中的小物体甚至会小于stride的大小造成的结果就是小物体的检测性能急剧下降。传统解决这个问题的思路包括 多尺度训练和测试又称图像金字塔如图1(a)所示。目前几乎所有在ImageNet和COCO检测任务上取得好成绩的方法都使用了图像金字塔方法。然而这样的方法由于很高的时间及计算量消耗难以在实际中应用。 特征分层即每层分别预测对应的scale分辨率的检测结果。如图1(c)所示。SSD检测框架采用了类似的思想。这样的方法问题在于直接强行让不同层学习同样的语义信息。而对于卷积神经网络而言不同深度对应着不同层次的语义特征浅层网络分辨率高学的更多是细节特征深层网络分辨率低学的更多是语义特征。 因而目前多尺度的物体检测主要面临的挑战为 如何学习具有强语义信息的多尺度特征表示 如何设计通用的特征表示来解决物体检测中的多个子问题如object proposal, box localization, instance segmentation. 如何高效计算多尺度的特征表示
针对这些问题提出了特征金字塔网络FPN如上图(d)所示网络直接在原来的单网络上做修改每个分辨率的feature map引入后一分辨率缩放两倍的feature map做element-wise相加的操作。通过这样的连接每一层预测所用的feature map都融合了不同分辨率、不同语义强度的特征融合的不同分辨率的feature map分别做对应分辨率大小的物体检测。这样保证了每一层都有合适的分辨率以及强语义特征。同时由于此方法只是在原网络基础上加上了额外的跨层连接在实际应用中几乎不增加额外的时间和计算量。将FPN应用在Faster RCNN上的性能在COCO上达到了state-of-the-art的单模型精度。 具体而言FPN分别在RPN和Fast RCNN两步中起到作用。其中RPN和Fast RCNN分别关注的是召回率和正检率在这里对比的指标分别为Average Recall(AR)和Average Precision(AP)。分别对比了不同尺度物体检测情况小中大物体分别用s,m,l表示。
在RPN中区别于原论文直接在最后的feature map上设置不同尺度和比例的anchor本文的尺度信息对应于相应的feature map分别设置面积为32^2, 64^2, 128^2, 256^2, 512^2比例用类似于原来的方式设置{1:2, 1:1,, 2:1}三种。
与RPN一样FPN每层feature map加入3*3的卷积及两个相邻的1*1卷积分别做分类和回归的预测。在RPN中实验对比了FPN不同层feature map卷积参数共享与否发现共享仍然能达到很好性能说明特征金字塔使得不同层学到了相同层次的语义特征。
三、PPCNN 金字塔池化网络允许从不同卷积层中的多尺度特征作为输入并提取相同尺度的输出特征图如上图所示。研究者提出了用VGGNet在u-shape特征金字塔网络中构建的改进的网络架构来提取高级特征图。该特征金字塔网络的特征提取过程如下图所示。 四、实验 可视化结果 Experimental results of conventional VGG network and proposed PPCNN (VGG network with u-shape feature pyramid network) on MS COCO dataset. The top row contains results of the conventional VGG network, and the bottom row contains the detection results of the proposed network.
