Press "Enter" to skip to content

目标检测 | 基于统计自适应线性回归的目标尺寸预测

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

作者:Edison_G

 

YOLOv2和YOLOv3是典型的基于深度学习的目标检测算法,它们使用统计自适应指 数回归模型设计了网络的最后一层来预测目标的尺寸大小 。

 

 

一、简要

 

今天分享的是研究者提出了基于统计自适应线性回归的目标尺寸预测方法。YOLOv2和YOLOv3是典型的基于深度学习的对象检测算法,它们使用统计自适应指数回归模型设计了网络的最后一层来预测对象的尺寸大小。

 

 

然而,由于指数函数的性质,指数回归模型可以将损失函数的导数传播到网络中的所有参数中。研究者提出了统计自适应线性回归层来缓解指数回归模型的梯度爆炸问题。所提出的统计自适应线性回归模型用于网络的最后一层来预测从训练数据集的统计数据估计目标的尺寸大小。研究者新设计了基于YOLOv3tiny网络,它在UFPR-ALPR数据集上比YOLOv3有更高的性能。

 

二、背景

 

主要这个上韩文论文,导致本人阅读过程比较艰难,所以今天就简单介绍些整体框架思想,有兴趣的同学可以进一步阅读论文,深入了解!

 

 

今天我们就不介绍传统的检测网络了,因为我们”计算机视觉研究院“之前分享了太多的目标检测类干货及实践,想入门级进一步熟知请查看历史分享。部分分享见下链接:

 

往期推荐

 

:link:

 

目标检测干货 | 多级特征重复使用大幅度提升检测精度(文末附论文下载)

 

SSD7-FFAM | 对嵌入式友好的目标检测网络,为幼儿园儿童的安全保驾护航

 

目标检测新方式 | class-agnostic检测器用于目标检测(附论文下载链接)

 

干货 | 利用手持摄像机图像通过卷积神经网络实时进行水稻检测(致敬袁老)

 

CVPR 2021 | 不需要标注了?看自监督学习框架如何助力目标检测

 

目标检测 | 丰富特征导向Refinement Network用于目标检测(附github源码)

 

三、框架分析

 

 

上图是YOLOv2 and YOLOv3的后处理过程。

 

所提的方法使用学习数据集中的可估计统计数据来预测目标的宽度和高度,这与YOLOv2和YOLOv3相同。估计学习数据集统计值的过程如下: 根据学习数据集中存在目标的宽度和高度值,将目标分类为K个簇,然后估计每个簇中目标的宽度和高度值各自的算术均值。

 

研究者提出的统计值自适应线性回归模型进一步估计了各簇中目标的宽度和高度值的标准差。然后,设计了通过网络预测的目标的宽度和高度值的均值和标准差遵循学习数据集中存在的目标宽度和高度值的均值和标准差。利用学习数据集中的可估计统计值对预测值的统计值进行约束,可以使网络在学习阶段更加稳定,提高检测性能。

 

 

现有的YOLOv2, 随着对YOLOv3中用于目标大小预测的统计值自适应指数回归模型的修改,研究者重新定义了用于学习所提出的目标大小预测的统计值自适应线性回归模型的损失函数,所提出的损失函数如上。

 

 

四、实验

 

 

UFPR-ALPR dataset

 

 

The network architecture of newly designed YOLOv3 tiny for experiments

 

The comparison on UFPR-ALPR test dataset

 

 

 

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注