标签：沙漏 卷积 Objects 融合 特征 Points CenterNet 128 网络
简介
- 问题
在2018年，大多数成功的目标检测算法都是通过枚举无穷潜在的目标框，这样会加大计算成本。CenterNet（无锚检测算法）的提出缓解了这一问题。
- 主要贡献
使用MS COCO数据集
- ResNet 18+upsample+deformable convolution: 28.1 AP/142 FPS
- DLA 34+upsample+deformable convolution: 37.4 AP/52 FPS
- Hourglass104:45.1%/ 1.4FPS(test)
- 用于3D检测
- 用于人体姿态检测
流程图
首先输入一张3*512*512的图片；再传入骨干网络(ResNet残差网络、Stacked Hourglass Network堆叠沙漏网络、DLA深度聚合网络)提取到特征图，接着传入检测头网络，最后将特征图分为三大部分输出(HeatMap热力图部分也是置信度：80(COCO类别)*128(特征图的大小)*128、WH目标的宽高部分：2(W\H)*128*128、XY中心点的偏移量部分：2(X\Y)*128*128)用于计算损失进行训练。
骨干网络
1.ResNet（残差网络）
这个网络不用多说，是2015年何凯明提出的（记忆中），特别经典，用于解决网络在回传时发生的梯度消失的问题。
2.Stack Hourglass Network（堆叠沙漏网络）
首先堆叠沙漏网络的由来:由于以前的网络通常使用最后一层的卷积层特征，这样会造成信息的丢失。因为网络的每层卷积提取的是不同的特征，例如提取人脸的特征，可能第一层卷积提取的特征是人脸轮廓的特征，第二层和第三层、第四层等卷积层提取鼻子或眼睛、嘴巴等特征。
其次，使用堆叠沙漏网络将各个不同卷积层的特征进行融合，进而缓解信息丢失的问题。
最后，由下图可得，堆叠沙漏网络可由Pre(卷积层) 与多个kps模块与Inters（中间监督卷积层）组成。其中最重要的部分为KPS模块，此思想是借用的残差模块skip的思想。
3.DLA（Deep Layer Aggregation 深度聚合网络）
要了解深度聚合网络必须得明白语义融合与空间融合
语义融合：通道间的融合，提升模型的分类能力。
空间融合：尺度与分辨率的融合，提升模型的定位能力。
- FPN则是空间融合（特征融合时采用像素点相加而非通道相加）。
- DensNet则是语义融合，此思想也是借鉴残差模块的skip（将每层特征都去做了skip)
- 而DLA则是集合了FPN与DensNet的思想，如下图，其中一个
红色框代表一个树形结构，红色框中的绿色节点代表树的根节点。橘黄色的箭头，代表前一个根节点与后一个根节点的特征融合，其余的与一般网络结构无二。
损失函数
标签：沙漏,卷积,Objects,融合,特征,Points,CenterNet,128,网络 来源： https://blog.csdn.net/XiaoyYidiaodiao/article/details/120705710
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。