玩手机游戏,享快乐生活!
应用
洛客1.5.0官方下载_最新洛客app免费下载 P云管理助手1.5.5官方下载_最新P云管理助手app免费下载 微博9.7.3官方下载_最新微博app免费下载 生态廊下2.2官方下载_最新生态廊下app免费下载 妈妈网孕育7.5.1官方下载_最新妈妈网孕育app免费下载 速贷3601.2.8官方下载_最新速贷360app免费下载 宠物店2.3.0官方下载_最新宠物店app免费下载 全息自然拼读法3.2.0722官方下载_最新全息自然拼读法app免费下载 卓越设计2.6.4官方下载_最新卓越设计app免费下载 爱途2.9.9官方下载_最新爱途app免费下载 好大夫医生版6.3.4官方下载_最新好大夫医生版app免费下载 货车帮司机6.23.0官方下载_最新货车帮司机app免费下载 蔚蓝快充1.0.2官方下载_最新蔚蓝快充app免费下载 红豆直播1.3.2官方下载_最新红豆直播app免费下载 体检宝测血压视力心率5.2.8官方下载_最新体检宝测血压视力心率app免费下载 分众专享2.0.4官方下载_最新分众专享app免费下载 企业密信2.3.27.190712官方下载_最新企业密信app免费下载 小学乐学助手1.2.9官方下载_最新小学乐学助手app免费下载 超凡电竞1.0.93官方下载_最新超凡电竞app免费下载 粉笔考研6.1.0官方下载_最新粉笔考研app免费下载 小学科学奥数7.31官方下载_最新小学科学奥数app免费下载 掌上收音机FM1.0官方下载_最新掌上收音机FMapp免费下载 广西政务1.0.1官方下载_最新广西政务app免费下载 更多
游戏
天龙八部1.56.2.2官方下载_最新天龙八部app免费下载 真龙传奇0.0.2官方下载_最新真龙传奇app免费下载 我叫MT43.4.0.0官方下载_最新我叫MT4app免费下载 烧饼抢红包修改器3.3官方下载_最新烧饼抢红包修改器app免费下载 乱世曹操传1.2.41官方下载_最新乱世曹操传app免费下载 倩女幽魂1.6.4官方下载_最新倩女幽魂app免费下载 我的汉克狗1.8.8.1007官方下载_最新我的汉克狗app免费下载 我的塔防1.190712官方下载_最新我的塔防app免费下载 海滨消消乐1.37官方下载_最新海滨消消乐app免费下载 巴啦啦魔法变身22.2.9官方下载_最新巴啦啦魔法变身2app免费下载 少年西游记3.6.55官方下载_最新少年西游记app免费下载 梦幻炫舞1.8.0.0官方下载_最新梦幻炫舞app免费下载 太极熊猫21.5.1官方下载_最新太极熊猫2app免费下载 宾果消消消?6.7.1官方下载_最新宾果消消消?app免费下载 王者英雄五连绝世3.0.0官方下载_最新王者英雄五连绝世app免费下载 梦幻西游1.234.0官方下载_最新梦幻西游app免费下载 叶罗丽公主水晶鞋2.4.3官方下载_最新叶罗丽公主水晶鞋app免费下载 颤抖吧三国1.0.5官方下载_最新颤抖吧三国app免费下载 铠甲勇士4之终极捕王3.3.0官方下载_最新铠甲勇士4之终极捕王app免费下载 奥特曼酷跑急速超人4.4.0官方下载_最新奥特曼酷跑急速超人app免费下载 奥特曼热血机甲王4.4.0官方下载_最新奥特曼热血机甲王app免费下载 大话西游1.1.194官方下载_最新大话西游app免费下载 火影忍者1.34.26.8官方下载_最新火影忍者app免费下载 更多
资讯
网购刷单乱象屡禁不止为哪般?都是“爆款”魅力太大 非上市银行可直接发行优先股 让守信者“降本钱、减压力” 信誉监管长出“牙齿” 中蒙最大陆路口岸首辆TIR世界运输车入境 企业银行账户答应终“谢幕” 提早五个多月全面撤销 科创板开市在即 买卖机制四大改变需重视 五问个人破产准则:欠债不必还了?会成逃债东西吗? 康业元实名告发广药董事长 广药集团:内容不实已报案 “天眼查”诉“企查查”不正当竞争索赔五百万 “吹嘘”软件侵权“微信红包”被判赔50万 千余只澳洲种羊“包机”抵达兰州新区:助甘肃精准扶贫 2019西宁“城洽会”项目签约总额达148.9亿元 超1300家浙企报名第二届进博会 数量居全国前列 甘肃玉门“小红果”尽染戈壁滩 努力细作求果品 吸纳工作超千万人!这个工业成高素质人才“蓄水池” 新款可穿戴设备利用膝盖曲折发电 本周新三板成交金额超20亿元 环比上涨超2成 经济高质量开展带动居民收入添加 天津策划“大智能”布局 打造“智港”为新经济开展赋能 上半年居民出入比照:9省份收入跑赢全国 这些省份会赚会花 18省份发布上半年GDP:津渝跻身万亿沙龙 云南领跑增速榜 完成更大规模更高层次金融业双向敞开 你知道吗?信誉好和信誉欠好的距离很大! 更多
联系我们
版权说明
Welcome-牛牛游戏平台
当前位置: Welcome-牛牛游戏平台 > 资讯 > 科技

广东11选5走势图:CVPR 2019 | 天秤座R-CNN:全面平衡的方针检测器

来源:Welcome-牛牛游戏平台 发布时间:2019-04-27 10:12:06 点击数:

引荐理由

Welcome-牛牛游戏平台 www.nrxeeee.com.cn 这是一篇浙江大学和香港中文大学发表于 CVPR 2019 的论文,这篇文章十分风趣,网友戏称:“无痛涨点,完成简略,良知 paper”,在我看来确实是这样的,没有太大的改造结构,不需添加核算成本的条件下,竟然能涨两个点 mAP。

除了本文解读的 Libra R-CNN(天秤座 RCNN)[1],我记住陈恺他们港中文的试验室本年还中了一篇 CVPR 2019,Region Proposal by Guided Anchoring [2],这篇也是不错的,看标题就知道是辅导 anchor 的形状涨分的了。

这两篇改善的源码都会在 Github 上放出,作者表明还在完善中,地址是:

https://github.com/open-mmlab/mmdetection

三个不平衡

纵观现在干流的方针检测算法,不管 SSD、Faster R-CNN、Retinanet 这些的 detector 的规划其实都是三个进程: 

  • 挑选候选区域 

  • 提取特征 

  • 在 muti-task loss 下收敛 

往往存在着三种层次的不平衡: 

  • sample level

  • feature level

  • objective level 

这就对应了三个问题: 

  • 采样的候选区域是否具有代表性?

  • 提取出的不同 level 的特征是怎样才干真实地充沛运用?

  • 现在规划的丢失函数能不能引导方针检测器更好地收敛?

其实假如不对 detector 的结构做功夫的话,针对这些 imbalance 改善的其实便是为了把 detector 的真实成效给展示出来,便是假如把一个方针检测器 train 好的问题。

对应的三个改善

IoU-balanced Sampling 

作者以为 sample level 的不平衡是因为随机采样形成的,Ross Girshick 后边提出了 OHEM(online hard example mining,在线困难样本发掘)是一个 hard negative mining 的一种好办法,可是这种办法对噪音数据会比较灵敏。随机采样形成的不平衡能够看下图:

作者发现了假如是随机采样的话,随机采样到的样本超越 70% 都是在 IoU 在 0 到 0.05 之间的,有人会问不是随机吗?为什么大部分样本都落在了 IOU 较小的部分了呢?

因为样本的散布在 IoU 上并不是均匀散布的,生成候选框时随机采样会形成布景框远远大于框中 GT 的框,一张图这么大,是方针物体的区域只占很小一部分,布景占了绝大多数的方位,所以大部分样本都挤在了 IoU 在 0 到 0.05 的区间了。

作者觉得这儿便是不科学的当地,核算得到的事实是 60% 的 hard negative 都落在 IoU 大于 0.05 的当地,可是随机采样只提供了 30%。所以作者提出了 IoU-balanced Sampling。

随机采样便是比方你要选 N 个 hard negative,有 M 个候选框,选中的概率便是:

假如总共仍是要采样 N 个,经过 IoU 的值划分为 K 个区间,每个区间中的候选采样数为,则IoU-balanced sampling 的采样公式即为:

作者经过在 IoU 上均匀采样,把 hard negative 在 IoU 上均匀散布,在 COCO 数据集上到达的作用比 OHEM 的要好,并且这样简略许多。

Balanced Feature Pyramid

feature level 的不平衡表现在 low/high level 特征的运用上,怎样运用不同分辨率的特征。详细分为四步:

  • rescaling

  • integrating

  • refining

  • strengthening

1. rescaling & integrating

假定表明第 l 层特征,越高层分辨率越低,若有的多层特征,C2 分辨率最高,咱们知道低层特诊分辨率高往往学习到的是细节特征,高层特征分辨率低学习到语义特征,把四层特征 resize 到中心层次的 C4 的 size,然后后边再做简略的相加取均匀操作:

便是这样简略的操作并没有引进什么核算就能够完成,终究在 AP 上也得到了验证是有用的。

2. refining & strengthening

rescaling 后取均匀提取到的的特征还能够进一步地 refine 成更 discriminative,作者这儿用到了 non-local ???,paper 中运用了 Gaussian non-local attention [4] 增强 integrate 后的特征。

就像 Figure 4 画的相同,这样提取的特征其实与 FPN 能够一起运用,是作为 feature pyramid 的弥补,作为一种增强手法。

Balanced L1 Loss

Fast R-CNN [5] 中是经过 multi-task loss 处理 Classification(分类)和 Localization(定位)的问题的,界说如下:


和别离对应着分类和定位的丢失函数,p, u 别离是的猜测和方针,是对应 u 类的回归效果。v 是回归方针。λ 用于在多任务学习下调整丢失权重。 

之所以会提出 Balanced L1 loss,是因为这个丢失函数是两个 loss 的相加,假如分类做得很好地话相同会得到很高的分数,而导致疏忽了回归的重要性,一个天然的主意便是调整 λ 的值。

咱们把样本丢失大于等于 1.0 的叫做 outliers,小于的叫做 inliers。因为回归方针是没有鸿沟约束的,直接添加回归丢失的权重将会使模型对 outliers 愈加灵敏。

关于 outliers 会被看作是困难样本(hard example),这些困难样本会发生巨大的梯度不利于练习的进程,而 inliers 被看做是简略样本(easy example)只会发生比较 outliers 大约 0.3 倍的梯度。

首要咱们看 Smooth L1 Loss:

所以作者从常见的 Smooth L1 Loss 中推导出了 Balanced L1 Loss:

它的梯度核算遵照下面的原则:

作者从需求动身,想要得到一个梯度当样本在 |x|<1 邻近发生略微大点的梯度,作者规划了下面这个函数,从 Figure 5 能够看出 αln(b|x|+1) 大于 x。

依据梯度反求出 Lb(x) 表达式:

还有很重要的一点便是为了函数的连续性,需求满意 x=1 时 Lb(1)=γ:

其实意思便是。

这个函数不得不说十分妙,成功掰弯了梯度,我也不知道他怎样想出来的。

试验效果

在 COCO test-dev 数据集上与现在 state-of-the-art 的方针检测的办法比照,能比 Faster R-CNN、RetinaNet、Mask R-CNN 要高 2+ 的 AP。

三种处理方案的各种组合状况的比照试验:

值得注意的是,作者对 IoU-balanced samping 做试验时对 K 的取值做了试验证明该办法对 K 的取值并不灵敏,即对 IoU 分多少个区间并不灵敏。

这是 IoU-balanced sampling 的候选框的可视化作用:

总结

paper 逻辑明晰,紧紧抓住三个层次去做改善,三个问题对应三个处理方案,结构明晰一望而知,试验充沛,比较两个单阶段和两阶段检测器的两个代表 Faster R-CNN 和 RetinaNet 别离高了 2+ 的 AP,图画得也不错,我觉得是篇好论文,并且应该是作者在竞赛中实践运用到的才写出了这篇 paper,今后方针检测的竞赛我觉得都能够参阅这篇去做改善。

参阅文献

[1]. Pang J, Chen K, Shi J, et al. Libra R-CNN: Towards Balanced Learning for Object Detection[J]. arXiv preprint arXiv:1904.02701, 2019. 

[2]. Wang J, Chen K, Yang S, et al. Region proposal by guided anchoring[J]. arXiv preprint arXiv:1901.03278, 2019. 

[3]. Shrivastava A, Gupta A, Girshick R. Training region-based object detectors with online hard example mining[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 761-769. 

[4]. Wang X, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7794-7803. 

[5]. Ross Girshick. Fast R-CNN. In IEEE Conference on Computer Vision and Pattern Recognition, 2015.

PaperWeekly

引荐、解读、评论和报导人工智能前沿论文效果的学术渠道。

应用 | 游戏 | 资讯 | 联系我们 | Welcome-牛牛游戏平台 | 八卦 |

浙公网安备 33060202000544号
Copyright?十八楼 All Rights Reserved.

排列三预测_排列三预测官网 | 韩国快乐8官方网站 | 赛迪网 | 温岭违法赚钱 药店加盟赚钱还是入股 农村小孩吃播赚钱吗 网上打杭州麻将微信群 阳江人靠什么赚钱 面包车拉快递赚钱吗 广东麻将规则中马159 佛山禅城最赚钱的菜市场 什么射击游戏赚钱 dnf附魔师分解设么装备赚钱