Begin--RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection（ECCV2022）

原创 已于 2024-02-28 09:17:11 修改 · 1.2k 阅读 · 24 ·
CC 4.0 BY-SA版权
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。
文章标签：

#目标检测 #人工智能 #计算机视觉

于 2024-01-16 07:00:00 首次发布


文章目录


hh
源代码

-

喜迎2024，从新开始

what is prior

指在观察到具体数据之前，基于现有的背景知识、经验和对问题的理解来设定的概率分布

Abstract & Conclusion

现存的问题

本文指出，对于微小目标，基于锚点的检测器中的盒先验和无锚点检测器中的点先验都是次优的。我们的主要观察结果是，当前基于锚点或无锚点的标签分配范式将产生许多异常的微小的地面真值样本，导致检测器对微小物体的关注减少，即在分配标签时导致尺度-样本不平衡问题。

目的

自然是为了解决存在的问题，即现有标签分配策略将产生许多异常的微小的真值样本

方法

为此，我们提出了一种基于高斯接受场的标签分配(RFLA)策略用于微小目标检测。具体来说，RFLA首先利用了特征接受野服从高斯分布的先验信息。然后，本文提出了一种新的感受野距离(RFD)来直接度量高斯感受野与真值之间的相似度，而不是使用IoU或中心采样策略来分配样本。考虑到基于ou阈值和中心采样策略倾向于大对象，作者还设计了一个基于RFD的分

最低0.47元/天 解锁文章

200万优质内容无限畅学
【SPRS J P & RS 2022】小目标检测模块：A Normalized Gaussian Wasserstein Distance for Tiny Object Detection
梁瑛平的博客
06-21 1810
作者提出了一种新的框间距离的度量方法，用来解决传统的 IoU 度量对于小目标过于敏感的问题，可以直接用于基于锚框的检测器和NMS中。在我自己采集的数据上进行训练发现该方法确实比较好用。...
Tiny Object Detection
qihshe的博客
12-21 1680
作者，。
RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection
qq_52302919的博客
08-26 3346
微小物体以其极其有限的像素(小于AI-TOD中定义的16×16像素)为特征，一直是计算机视觉界的难题。微小物体检测(TOD)是最具挑战性的技术之一。而对于TOD任务，一般的物体检测器通常不能实现满意的结果，这是由于微小物体缺乏鉴别特征。针对微小物体的特殊性，提出了几种定制化的TOD基准(如AI-TOD、TinyPerson、AI-TOD-v2)，可用于辅助驾驶、交通管理、海上救援等一系列下游任务。近年来，TOD逐渐成为独立于一般目标检测的热门但又具有挑战性的方向。...
ECCV 2022 | RFLA：基于高斯感受野的微小目标检测标签分配
CV技术指南（微信公众号）
08-24 4317
在本文中，作者提出了一种基于高斯感受野的标签分配（RFLA）策略用于微小目标检测。并提出了一种新的感受野距离（RFD）来直接测量高斯感受野和地面真值之间的相似性，而不是使用IoU或中心采样策略分配样本。 考虑到基于IoU阈值和中心采样策略对大对象的倾斜，作者进一步设计了基于RFD的分层标签分配（HLA）模块，以实现小对象的平衡学习。在四个数据集上的大量实验证明了所提方法的有效性。作者的方法在AI-TOD数据集上的AP点数为4.0，优于SOTA。
RFLA Gaussian Receptive Field based Label Assignment for Tiny Object Detection 论文学习
calvinpaean的博客
07-19 385
1. 解决了什么问题？ 目标检测中最难的一个挑战就是小目标检测，因为小目标所提供的判别特征很有限。对于小目标检测，无论是 anchor-based 还是 anchor-free 检测器，它们使用的度量都不是最优的。 现有的标签分配度量依赖于重叠度，当一个 gt 没有和任何先验框重叠时，就无法通过 IoU 或 centerness 来解决位置关系。而对于小目标而言，经常发现没有先验框和 gt 框重叠的现象，造成小目标缺乏足够多的正样本。 现有方法的先验框主要服从均匀分布，框内的所有点（v=constantv
[论文笔记] RFLA 阅读笔记
qq_44690067的博客
09-10 3390
动机：基于 anchor-based 和 anchor-free 的标签分配方法将产生许多离群的尺度很小的 gt 样本，导致检测器对小目标的训练不足 解决方案：提出 Gaussian Receptive Field based Label Assignment（RFLA）。RFLA 首先利用先验信息，即遵循高斯分布的特征感受野然后，使用感受野距离（RFD）来直接测量高斯感受野和 gt 之间的相似性，而不是用IoU或中心采样策略来分配样本。
[ECCV 2022]RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection
Sherlily的博客
12-31 1403
计算机-人工智能-小目标检测
RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection（ECCV2022）
qihshe的博客
12-24 861
当前基于锚点或无锚点的标签分配范式将产生许多异常的微小的地面真值样本，导致检测器对微小物体的关注减少。为此，我们提出了一种基于高斯接受场的标签分配(RFLA)策略用于微小目标检测
【opencv-c++】cv::GaussianBlur高斯滤波
jn10010537的博客
10-16 2421
高斯模糊本质上是低通滤波器，根据上图高斯分布公式，和滤波器所覆盖像素距离中心的距离，就可以计算每个像素被滤波后的像素值。sigmaY：Y 方向高斯滤波器标准差（如果输入 0，则会被设置成等于 sigmaX，如果 sigmaX 和 sigmaY 都输入 0，则会根据滤波器尺寸来计算得到标准差）ksize：滤波器尺寸，可以不是正方形，但是必须为正奇数（如果设置为 0，则由输入的标准差来计算所需的尺寸）。dst：输出图像，与输入图像具有相同的尺寸，通道数，和类型。以下示例引入高斯滤波，对原图像进行高斯模糊。
目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net
bigcindy的博客
07-29 5439
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...
探索极致检测：RFLA——微小目标检测的新里程碑
gitblog_00015的博客
05-29 889
探索极致检测：RFLA——微小目标检测的新里程碑 在计算机视觉领域，微小目标的检测始终是一项极具挑战性的任务。传统的锚框和无锚框方法在处理这类问题时往往力不从心。然而，ECCV 2022论文“RFLA：基于高斯感受野的标签分配用于微小对象检测”提出了一种新的解决方案，其官方实现mmdet-rfla将改变这一现状。 项目简介 mmdet-rfla是一个创新的Python库，旨在提升微小目标检测的性能...
微小目标检测：《RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection》
xu.hyj
03-10 1421
微小的物体以其极其有限的像素数量为特点，在计算机视觉社区中始终是一个难以破解的难题。微小目标检测 （TOD） 是最具挑战性的任务之一，由于微小目标缺乏区分特征，通用目标检测器通常无法在 TOD 任务中提供令人满意的结果。
【15】Transformers快速入门：添加自定义 Token
最新发布
叫好与叫座虽然不是对立面，但想在同一个作品中达到双重效果很难。
08-13 804
预训练模型的词表是固定的。它不认识你自定义的特殊标记（如实体标记、领域术语、新表情符号等）。掌握如何向预训练模型的分词器和词表中添加新的 Token（包括普通 Token 和特殊 Token），理解其对模型的影响，并学会正确调整模型权重。新 Token 的 ID（30523, 30524）在模型的 Embedding 矩阵里。想象一下，你给模型一个任务：“找出文本里的汽车和隧道实体”。增加了词表大小（比如从 30522 增加到 30524），模型的 Embedding 矩阵（这里标记了一个实体！
敏感数据目录是什么？如何快速构建企业自身的敏感数据目录
yuandiansec的博客
08-13 732
敏感数据目录能力是数据安全的起点
强化学习-MATLAB
weixin_45302337的博客
08-09 508
black box -> machine learning不需要标签，根据内在特征进行聚类等相似操作；这就是ML所擅长的，从数据中找出特征进而得到label；序列行为实现最优的回报；可以将policy使用深度神经网络这也是DRL的由来；RL算法的作用就是基于观测，奖励等去优化策略，以采取最优动作进而获得最大回报；所以，RL就是一个优化问题：与其他优化问题区分开来：关键点：评估状态价值，将能够使得智能体获得更高回报，而不是只是关注即时奖励；如果不能够评估状态价值，很有可能导致Agent陷入利用（贪婪）的状态，
CVPR 2025 | 即插即用，极简数据蒸馏，速度up20倍，GPU占用仅2G
AImokuai的博客
08-11 1585
本文提出了一种创新的神经特征函数匹配（NCFM）方法用于高效数据集蒸馏。该方法通过构建minmax对抗优化框架，引入神经特征函数差异（NCFD）作为新的分布度量指标，在复数空间实现数据特征的对齐。NCFM具有三大创新点：1）基于复数相位和振幅解耦的神经特征函数度量；2）动态采样网络实现高效计算；3）层级式特征对齐机制。实验表明，在CIFAR-100等数据集上，NCFM相比现有方法内存消耗降低300倍，处理速度提升20倍，同时保持无损压缩效果，为低资源环境下的模型训练提供了新范式。该方法在边缘计算、隐私保护数
【Python】文本相似度计算方法全解析：从理论到实践
采菊东篱下，Python满乾坤！
08-12 1428
在自然语言处理、信息检索和数据清洗等领域，计算文本相似度是一个基础而重要的任务。无论是检测重复文档、拼写纠错，还是推荐系统，都需要准确地衡量两个文本之间的相似程度。本文将深入解析多种文本相似度计算方法，帮助您选择最适合的算法。文本相似度是指两个文本在内容、结构或语义上的相近程度。通常用0到1之间的数值表示，0表示完全不同，1表示完全相同。文本长度: 短文本适合 Dice 系数，长文本适合余弦相似度计算性能: 汉明距离最快，Levenshtein 较慢但精确应用场景。
直播预告｜鸿蒙生态中的AI新玩法
GitCode
08-13 459
将分享如何利用AI技术为鸿蒙生态注入新活力，打造更智能的产品体验。从理论到实践，深入解析智能体的核心逻辑及其在鸿蒙生态中的应用场景。无论你是初学者还是资深开发者，这场直播都能为你带来启发与收获！手把手教你如何基于鸿蒙系统，快速搭建属于自己的智能体项目！高级开发者必备的实战经验与优化策略，助你突破技术瓶颈。想知道鸿蒙生态里 AI 能玩出啥新花样？鸿蒙生态中的 AI 新玩法-CSDN直播。对智能硬件与生态开发感兴趣的极客。黄紫妍 | HarmonyOS。AI赋能鸿蒙产品开发。
15分钟构建AI工作流：LangGraph+Dagre自动排版全解
2401_85592132的博客
08-11 939
摘要 本文介绍了利用LangGraph和Dagre构建AI工作流的自动排版方案。LangGraph作为大模型工作流构建框架，可定义模块化执行节点和流程关系；Dagre则基于图论算法实现自动布局计算。二者结合可快速生成清晰的工作流可视化图谱，其优势包括： 高效性：自动排版大幅提升开发效率 可维护性：模块解耦支持独立更新 扩展性：统一API层便于系统扩展 可视化：直观展示复杂工作流结构 这套方案特别适合LLM等复杂AI系统的架构设计和开发协作，15分钟即可完成从定义到可视化的全流程。
1.3 人工智能大模型的本质
产品经理独孤虾的专栏
08-11 342
大模型本质上是人工智能对人类知识的高度压缩映射系统。它通过数十亿参数、海量数据和强大算力，将复杂的人类知识（语言、图像、音频等）转化为数学矩阵。这种技术既具有优势（智能灵活、多任务处理能力强），也存在挑战（资源消耗大、隐私风险等）。在应用层面，大模型可赋能数字化营销（内容生成、广告优化等）。其核心原理借鉴了傅里叶变换、主成分分析等数学方法，但需要更先进的工具来处理人类知识的不确定性和动态性。大模型代表了一种创新而复杂的技术系统，需要在性能与伦理间寻求平衡。
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
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