Retinanet网络结构详解

最新推荐文章于 2024-10-12 15:51:19 发布
最新推荐文章于 2024-10-12 15:51:19 发布
阅读量2k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： object detection 文章标签： 目标检测 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_38346042/article/details/126012849
本文深入探讨RetinaNet网络结构，对比FPN的差异，详述其性能优势，特别是在目标检测的one-stage方法中实现的突破。此外，文章还介绍了RetinaNet的损失函数设计，包括正负样本匹配策略和Focal Loss的使用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 概述

Retinanet的论文：Focal Loss for Dense Object Detection
在这里插入图片描述
论文2017年发表在CVPR(computer vision and pattern recongnition) ,该论文提出来后 one-stage网络首次超过two-stage网络

One-stage和two-stage网络的区别

  • two-stage : 以Faster RCNN为主的two-stage网络，首先需要通过一个RPN网络去生成我们的Proposal, 然后通过Fast RCNN对我们的目标进行最终的预测，它是分两步的。
  • one-stage：以SSD、YOLO系列为主的，它是一步直接预测出我们最终的结果，但是在这篇
了解本专栏 订阅专栏 解锁全文 超级会员免费看
一阶段目标检测网络-RetinaNet详解
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-09 2762
Retinanet 是作者 Tsung-Yi Lin 和 Kaiming He（四作） 于 2018 年发表的论文 Focal Loss for Dense Object Detection。作者深入分析了极度不平衡的正负（前景背景）样本比例导致 one-stage 检测器精度低于 two-stage 检测器，基于上述分析，提出了一种简单但是非常实用的 Focal Loss 焦点损失函数，并且 Loss 设计思想可以推广到其他领域。
RetinaNet网络介绍
chase
06-12 2184
RetainNet网络介绍
RetinaNet深入理解（损失函数详解）
12-28
RetinaNet深入理解（损失函数详解）,RetinaNet深入理解（损失函数详解）
23_RetinaNet网络结构详解
https://github.com/foxpup11?tab=repositories
07-13 1729
https://www.bilibili.com/video/BV1Q54y1L7sM/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
Retinanet网络结构
qq_43703185的博客
09-07 733
深度学习之目标检测---RetinaNet网络结构详解
qq_52191127的博客
08-11 2230
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
深度学习之目标检测（五）-- RetinaNet网络结构详解
热门推荐
木卯_THU的博客
08-17 4万+
深度学习之目标检测（五）-- RetinaNet网络结构详解深度学习之目标检测（五）RetinaNet网络结构详解1. RetinaNet1.1 backbone 部分1.2 预测器部分1.3 正负样本匹配1.4 损失计算2. Focal Loss2.1 Cross Entropy Loss2.2 Balanced Cross Entropy2.3 Focal Loss 深度学习之目标检测（五）RetinaNet网络结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili，部分参考叙述源自 知乎
pytorch-retinanet-master_RetinaNet_pytorch_pytorchcnn_python_源码
10-04
RetinaNet的核心在于其结合了两种网络结构：特征金字塔网络（Feature Pyramid Network, FPN）和焦点损失（Focal Loss）。FPN通过构建一个多尺度的特征图，使模型能够检测不同大小的目标。而Focal Loss则针对类别不...
RetinaNet详解
weixin_38208912的博客
05-27 1万+
网络结构 这里默认3∗33*33∗3个anchor,图中标出以输入为672*640大小时,每层对应的尺度,以及每层对应anchor个数和每个特征层base anchor对应到原图的anchor大小. 边界框回归 在faster rcnn 中存在3个框，其中anchor, ground truth为已知固定的框, predict 为预测框 其中： Anchor:(Ax,Ay,Aw,Ah)Anchor :(A_x,A_y,A_w,A_h)Anchor:(Ax​,Ay​,Aw​,Ah​) Predict:(Px
2.1.2 RetinaNet网络结构详解
qq_45825952的博客
09-21 1324
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
RetinaNet网络结构详解
pyscl01的博客
11-10 861
RetinaNet网络理论详解
Retinanet 网络结构
衣带渐宽人憔悴
02-24 924
Retinanet网络详解
weixin_41981679的博客
03-29 2万+
Retinanet 网络结构详解以及源代码讲解 网络backbone使用ResNet【18， 34， 50， 101， 152】 FPN层 首先输入的照片的大小为672x640， 然后经过一个池化层， 使用ResNet网络提取特征，得到四个不同尺度的特征图，layer1, layer2, layer3,layer4.源代码中的尺度融合是从layer2层开始。然后再经过尺度融合得到f3, f4, f5, f6, f7五个不同尺度的特征层。 一、Focal Loss Retinanet网络的核心就是Foc
RetinaNet 分类头和回归头的网络结构分析
最新发布
Dylan_TAI的博客
10-12 2490
主干网络（Backbone）：通常使用 ResNet（如 ResNet-50 或 ResNet-101）作为特征提取器。特征金字塔网络（Feature Pyramid Network, FPN）：在主干网络的不同层级生成多尺度的特征图。分类头（Classification Head）：用于对每个锚框（anchor）进行类别预测。回归头（Regression Head）：用于对每个锚框进行边界框回归（位置调整）。下图展示了 RetinaNet 的整体架构、分类头和回归头的结构（
RetinaNet 网络结构、Focal Loss【详解】
qq_23022733的博客
06-06 455
RetinaNet 这篇文章回答了为什么two-stage比one-stage的效果要好，下面是原文回答：意思就是说：训练样本的正负样本比不平衡，其次就是梯度由比较容易的样本所主导。Cross Entropy Loss： 考虑正负样本的loss，Binary Cross Entropy Loss： 如果正负样本比不平衡，所以应该在正样本前面乘上大的系数，负样本前面乘上小的系数，Balance Binary Cross Entropy Loss： 为了解决“梯度由比较容易的样本所主导”的问题，可以在难预
Retinanet网络结构简介
ww_1122的博客
08-20 1818
一、网络主干框架（resnet50, FPN, class子网络，reg子网络） 1.首先设置C1-C5层 C1 conv7x7,s=2,p=1 BN relu maxpool3x3,s=2,p=1 C2(3) Block[1-3]: conv1x1,BN,relu conv3x3,s=1,,p=1,BN,relu conv1x1,bn add,relu C3(4) Block[1]
RetinaNet
jicong44的博客
01-15 1987
结构描述： 输入：图片 输出：一组anchors对应的回归和分类预测值。 流程： ResNet有四个阶段：通道数分别为（64,128,256,512） RetinaNet选取后三个阶段，C3，C4，C5，然后利用这三组特征图通过上采样和下采样得到P3,P4,P5,P6,P7五个特征图，这五个特征图的通道数都为256,大小依次递减。 在每组P特征图上分别进行回归和分类的卷积，其中回归卷积后通道数为 ...
目标检测4: retinanet网络focal loss分析，网络结构原理
u010397980的博客
12-18 3512
    个人理解错误难免，推荐看原文(https://arxiv.org/abs/1708.02002)     作者首先提出了一个问题：在目标检测中，one stage效果较差于two stage的主要原因是：one stage在训练时样本比例不均衡(比如上面的yolov3，在训练时要生成3*13*13 + 3*26*26 + 3*52*52 = 10647个box，但这些box中真正有物体的...
retinanet详解
09-06
RetinaNet采用了一种特殊的网络结构，称为特征金字塔网络（Feature Pyramid Network，简称FPN），用于从图像中提取不同尺度的特征。这样可以使模型能够对不同大小和尺度的目标进行准确的检测。 与其他目标检测模型...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

@BangBang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值