1、论文总述 NAS的全称:Neural Architecture Search 这篇论文是NAS诞生以后在FPN的设计上的发力,其实就是优化FPN,这段时间目标检测学术方面的创新中提升效果比较明显的基本都是基于FPN的改进,例如前段时间刚提出的DetectoRS(提出递归FPN),还有efficientdet的BiFPN。 需要注意的是:NAS自从诞生以后,总体结构已经不怎么变了...
NAS-FPN应用在RetinaNet框架中的多种backbone models(骨干模型),都有很好的准确性。在移动检测 (320x320) 比赛中,轻量版NAS-FPN+MobileNet2的移动检测精度比最好的SSDLite更好,而且所用的时间还更短。 具体细节: 1.所用的方法 为了寻找到更优的FPN,论文中提出了利用神经架构搜索(NAS),NAS在给定的搜索空间中...
自从NAS for RL 在2016 年提出后,NAS 思想的应用在深度学习领域模型结构的生成上取得了很好的效果。例如,在 2017 年的时候,论文 NAS for Image 基于NAS 生成的 cell(也就是 NASNet,下文会讨论)所组成的 FasterRCNN 模型,在 COCO Dataset 的 mAP 上有 4% 的涨点。在今年早些时候,论文 NAS for FPN 所产出...
MFPN可以显著增强one-stage和two-stage基于FPN的检测器,其MS-COCO基准上的平均精度(AP)大约增加2%,而在运行时间延迟方面的牺牲很小。 Our MFPN performs best: detecting objects of small-size, medium-size and large-size with the highest IoU. Green boxes: ground truth, Red boxes: detection result. 四...
目标检测论文 【1】APRICOT:对目标检测模型进行物理对抗攻击的数据集 《APRICOT: A Dataset of Physical Adversarial Attacks on Object Detection》 时间:20191218 作者团队:MITRE公司 链接:https://arxiv.org/abs/1912.08166 注:作者说APRICOT是世界第一个开源的带物体对抗攻击的目标检测数据集,其实说是开源,但原文并...
注:又一篇用NAS做目标检测的论文,在COCO上可达42.8mAP/20FPS!最高可达45.9mAP,优于同类的NAS-FPN和DetNAS SM-NAS Pipeline 【3】基于PSNet和边框回归的弱监督目标检测(WSOD) 《WSOD with PSNet and Box Regression》 时间:20191127 作者团队:清华大学
[5] 出来，然后今年又搜了一个auto-deeplab [1]；大家都知道FPN很work，所以NAS就干脆直接搜multi-...
[5] 出来，然后今年又搜了一个auto-deeplab [1]；大家都知道FPN很work，所以NAS就干脆直接搜multi-...
结果基本与paper中resnet50，640x640输入的结果一致，retinanet是37.4，nasfpn是40.1，不同之处在于...