FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation
FastFCN在原有FCN的基础上,提出联合金字塔上采样 (joint Pyramid upsampling, JPU),相比较原始的双线性插值、反卷积上采样,该模块明显更有效
FastFCN在原有FCN的基础上,提出联合金字塔上采样 (joint Pyramid upsampling, JPU),相比较原始的双线性插值、反卷积上采样,该模块明显更有效
通过空间全局池化生成通道注意力,通过通道全局池化生成空间注意力,并且分别使用最大池化和平均池化去生成2次注意力矩阵
YOLOv3借鉴特征金字塔网络(FeaturePyramidNetwork,FPN)思想,小尺寸特征图(深层特征)用于检测大尺寸物体,而大尺寸特征图(浅层特征)检测小尺寸物体,实现效果提升
YOLOv1的基础上,引入锚框的思想,并通过新的骨干网Darknet19、批规范化(BatchNormalization,BN)、先验框、多尺度训练等技术,实现比 YOLOv1更快、更好的目标
目标检测全新检测方式,相比较过去的二阶段检测方法,YOLO 系列系列将模型输出看作网格,图片的目标落在网格上,输出“网格数量的”预测实现对目标的检测
对于每个位置的空间注意力,Non-local 建立的是所有点与其的注意力,而 CCNet 仅建立与其十字架内点的注意力,可以大幅点降低构建注意力的成本,并通过堆叠 2 个交叉注意力模块,实现双向空间注意力
一种特征融合网络,能有效融合底层的特征和高层的语义信息,常用于目标检测。解决目标检测小尺寸物体检测问题
一种two-stage的目标检测算法,基Fast RCNN,主要改进是:使Region Proposal Networks(RPN) 替选择性搜索(Selective Search,SS) 生成获选框,实现了端到端训练