发表服务
计算机视觉论文速递专栏有段时间没有更新论文速递了，这段时间的论文很多，但比较亮眼的论文并也不多。为了方便大家阅读，我已经将其中的目标检测（ObjectDetection）论文整理出来。也推荐大家关注计算机视觉论文速递，可以更快了解到CV的好内容！
自适应特征融合（AdaptivelySpatialFeatureFusion:ASFF）.捕捉到题目中重点:Learningspatialfusion即论文主要是提出一种新的自适应融合策略,实现特征在空间上的融合,在单阶段目标检测中取得了较好的效果.这种策略作者将它命名为AdaptivelySpatialFeatureFusion(ASFF）.1...
ASFF代码可以参考论文作者在github上的代码论文地址简要介绍文章所提及的yolov3baseline就不提了，简单介绍一下ASFF。金字塔特征表示是解决目标检测中目标尺度变化的常用手段。然而，不同特征尺度之间的不一致是基于特征金字塔的单镜头检测...
目标检测中特征融合技术（YOLOv4）（下）ASFF：自适应特征融合方式ASFF来自论文：《LearningSpatialFusionforSingle-ShotObjectDetection》，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。
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，称之为自适应空间特征融合（ASFF）。它学习了在空间上过滤信息以抑制梯度反传的时候不一致的方法，从而改善了特征的比例不变性，并且推理开销降低。借助ASFF策略和可靠的YOLOV3
论文指出，在Faster-RCNN系列的标检测或分割算法中，RPN网络得到的ROI需要经过ROIPooling或ROIAlign提取ROI特征，这一步操作中每个ROI所基于的特征都是单层特征，FPN同样也是基于单层特征，因为检测头是分别接在每个尺度上的。
对ASFF层输出的每一层特征图xin，进行GA分支推理，并且经过Feature_adaption，得到最终的bbox预测输出output，由于wh预测肯定是大于0的，故作者采用了exp函数强制大于0.此时就得到了wh_pred(batch,4,2,h,w)和output(batch,4,5+class,h,w)。
ASFF这篇论文被很多人认为是YOLO中最强的改进版本，不仅仅是他提出的ASFF模块，更因为他有一个非常强的、融合了很多trick的baseline。上表中的BoF代表的就是以上解读的这篇：《BagofFreebiesforTrainingObjectDetectionNeuralNetworks》，可以通过对比看到提高了大约4个百分点。
计算机视觉论文速递专栏有段时间没有更新论文速递了，这段时间的论文很多，但比较亮眼的论文并也不多。为了方便大家阅读，我已经将其中的目标检测（ObjectDetection）论文整理出来。也推荐大家关注计算机视觉论文速递，可以更快了解到CV的好内容！
自适应特征融合（AdaptivelySpatialFeatureFusion:ASFF）.捕捉到题目中重点:Learningspatialfusion即论文主要是提出一种新的自适应融合策略,实现特征在空间上的融合,在单阶段目标检测中取得了较好的效果.这种策略作者将它命名为AdaptivelySpatialFeatureFusion(ASFF）.1...
ASFF代码可以参考论文作者在github上的代码论文地址简要介绍文章所提及的yolov3baseline就不提了，简单介绍一下ASFF。金字塔特征表示是解决目标检测中目标尺度变化的常用手段。然而，不同特征尺度之间的不一致是基于特征金字塔的单镜头检测...
目标检测中特征融合技术（YOLOv4）（下）ASFF：自适应特征融合方式ASFF来自论文：《LearningSpatialFusionforSingle-ShotObjectDetection》，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。
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，称之为自适应空间特征融合（ASFF）。它学习了在空间上过滤信息以抑制梯度反传的时候不一致的方法，从而改善了特征的比例不变性，并且推理开销降低。借助ASFF策略和可靠的YOLOV3
论文指出，在Faster-RCNN系列的标检测或分割算法中，RPN网络得到的ROI需要经过ROIPooling或ROIAlign提取ROI特征，这一步操作中每个ROI所基于的特征都是单层特征，FPN同样也是基于单层特征，因为检测头是分别接在每个尺度上的。
对ASFF层输出的每一层特征图xin，进行GA分支推理，并且经过Feature_adaption，得到最终的bbox预测输出output，由于wh预测肯定是大于0的，故作者采用了exp函数强制大于0.此时就得到了wh_pred(batch,4,2,h,w)和output(batch,4,5+class,h,w)。
ASFF这篇论文被很多人认为是YOLO中最强的改进版本，不仅仅是他提出的ASFF模块，更因为他有一个非常强的、融合了很多trick的baseline。上表中的BoF代表的就是以上解读的这篇：《BagofFreebiesforTrainingObjectDetectionNeuralNetworks》，可以通过对比看到提高了大约4个百分点。
发表服务