为此,我们提出了一个新的重颈范式,GiraffeDet,一个类似长颈鹿的网络,用于有效的目标检测。GiraffeDet使用了一个非常轻量的主干和一个非常深而大的颈部模块,这鼓励了不同空间尺度之间密集的信息交换,同时也鼓励了不同层次的潜在语义。这种设计范式使检测器即使在网络的早期阶段,也能以同样的优先级处理高级语义信息和低...
作者丨happy编辑丨极市平台极市导读 本文是阿里巴巴在目标检测领域的工作(已被ICLR2022接收),提出了一种新颖的类“长颈鹿”的GiraffeDet架构,它采用了轻骨干、重Neck的架构设计范式。所提GiraffeDet在COCO数据集上取得了比常规CNN骨干更优异的性能,取得了54.1%mAP指标,具有更优异的处理目标大尺度变化问题的能力。 论文...
在今天分享中,研究者表明这种范式确实导致了次优的目标检测模型。为此,研究者们提出了一种新的Heavy Neck范式GiraffeDet,这是一种用于高效目标检测的类似长颈鹿的网络。GiraffeDet使用极其轻量级的主干和非常深且大的neck部模块,它鼓励不同空间尺度之间的密集信息交换以及同时不同级别的潜在语义。 这种设计范式允许检测器...
相比ResNeXt方案,GiraffeDet具有更高的性能,这意味着:好的FPN设计比骨干更重要; 相比其他方案,所提GiraffeDet同样SOTA性能,进一步证实:所提方案具有更高精度、更高效率; 搭配多尺度测试时,所提GiraffeDet取得了54.1%mAP,小尺度AP提升2.8%,大尺度AP提升2.3%,均高于中尺度的1.9%提升。 从上图可以看到:所提GiraffeDet...
开源代码:https://github.com/jyqi/GiraffeDet 一、背景 图1. COCO和ImageNet数据集中前景目标分布[1] 目标检测任务面临的主要挑战在于尺度差异(Scale Variance)。图1 给出了ImageNet和COCO数据集中的前景目标在scale的分布,横轴(Relative Scale)为前景目标尺度相对于图片尺度的相对scale,竖轴(CDF)为当前scale下的...
GFPN 是 GiraffeDet 中的一个关键组件,其设计旨在高效地融合多尺度特征,以提升目标检测性能。GFPN 结合了跳跃层连接(skip-layer connections)和跨尺度连接(cross-scale connections)等创新技术,解决了传统特征金字塔网络(FPN)设计中的局限性,增强了不同特征层次之间的信息交换。
GiraffeDet包含轻量space-to-depth chain、Generalized-FPN以及预测网络,延续了一阶段检测设计范式, 可以更高效、更充分的多尺度信息交换。 2-1 Space-to-Depth Chain (S2D Chain) S2D 操作如下,S2D将更多的空域信息移动到深度维度,同时可以起到无参下采样作用。
,最近看到一个最新的重磅成果!来自阿里团队在目标检测领域的新颖的算法框架GiraffeDet,刚刚录用在了顶会ICLR2022上!采用了轻量级骨干网络,在COCO数据集上取得了更优的性能,在大小尺度上都能达到非常不错的效果!值得好好学习,文章2022年2月刚刚出来! 论文:https://arxiv.org/abs/2202.04256 ...
light backbone + heavy neck？目前大部分的检测模型都是使用分类模型作为backbone来提取特征，GiraffeDet...
all 96 5055 0.92 0.951 0.955 0.811 详见:基于YOLOv8的端面小目标计数解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss | 助力工业小目标缺陷检测_AI小怪兽的博客-CSDN博客