导读:特征学习表示是计算机视觉中的基本问题,许多目标检测方法中的检测器使用的是多尺度特征学习的金字塔特征网络(a feature pyramid network, FPN)。为发现更好的FPN,论文提出了使用神经架构搜索(Neural Architecture Search, NAS)来进一步优化用于目标检测的特征金字塔网络的设计过程。
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...
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...
一个月内 Amusi 整理了 目标检测(Object Detection)较为值得关注的论文: 一文看尽10篇目标检测最新论文(SpineNet/AugFPN/LRF-Net/SABL/DSFPN等) 一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等) 恰逢2019年即将结束,本文再次更新近期值得关注的最新检测论文。这次分享的paper将同步推送到 ...
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
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...
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...