Hence, this paper puts forward an enhanced deep multi-level feature pyramid network that addresses the difficulty in inferring handguns from a non-canonical perspective. We first construct a dataset containing handguns in an unconstrained environment for representation learning. The dataset is ...
本文提出Multi-Level Feature Pyramid Network来搭建高效检测不同尺度目标的特征金字塔。MLFPN由FFM、TUMs以及SFAM三部分组成。其中FFMv1(Feature Fusion Module)用于混合由backbone提取的多层级特征作为基础特征;TUMs(Thinned U-shape Modules)以及FFMv2s通过基础特征提取出多层级多尺度的特征;SFAM(Scale-wise Feature Aggr...
如Figure 2所示,我们首先将backbone提取的多级特征(即多层)融合为基础特征,然后将其输入Multi-Level Feature Pyramid Network(MLFPN)中。MLFPN包含交替连接的Thinned U-shape Modules(TUM)、Feature Fusion Module(FFM)和Scale-wise Feature Aggregation Module (SFAM)。其中,TUMs和FFMs提取出更具代表性的多级多尺度特征。
Multi-Level Feature Pyramid Network (MLFPN). 本文的目的是构建一个更有效的特征金字塔,用于检测不同尺度的物体,同时避免上述现有方法的局限性。如图2所示,为了实现这个目标,我们首先融合由骨干网络提取的多级特征(即多个层)作为基本特征,然后将其馈送到交替连接的简化U形模块(TUM)和特征融合模块(FFM),从而提取更...
M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network - VDIGPKU/M2Det
Multi-level Feature Pyramid Network As shown in Fig. 2, MLFPN contains three parts. Firstly, FFMv1 fuses shallow and deep features to produce the base feature, e.g., conv4 3 and conv5 3 of VGG (Simonyan and Zisserman 2015), which provide multi-level semantic information for MLFPN. ...
尽管这些使用特征金子塔的目标检测器具有很好的结果,但是由于仅仅根据固有的多尺度(为目标分类任务而设计的骨干的金字塔结构)。最新的,在这个工作中,作者提出了一个方法称为多级金字塔网络(Multi-Level Feature Pyramid Network, MLFPN)来构建检测不同尺度目标更有效的金子塔。
M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network 目录 一、摘要 二、简介: 1、存在的问题 2、传统检测算法对多尺度的处理方法 2、本文提出的方法 三、方法的详细描述: 1、MLFPN 2、FFMs 3、TUM 4、SFAM 四、网络配置...
FFMv1融合浅层和深层特征,并产生基础特征(base feature)。backbone network可以选择VGG。 每一个TUM都会通过不同的尺度,生成一些特征图。 FFMv2融合基础特征和之前TUM输出的大的输出特征图。融合后的特征将会传输给下一个TUM (有些像残差网络)。 值得注意的是,第一个TUM并没有先验知识,只有通过基础特征学习到的知...
Zhao Q, Sheng T, Wang Y, Tang Z, Chen Y, Cai L, Ling H (2019) M2det: a single-shot object detector based on multi-level feature pyramid network. In: Proceedings of the AAAI conference on artificial intelligence, vol 33, pp 9259–9266 Qiao S, Chen L-C, Yuille A (2020) Detectors...