OTA: 最优传输分配用于目标检测

于 2024-09-13 22:21:10 发布
阅读量338 收藏 8
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gitblog_07641/article/details/142230975
版权

OTA: 最优传输分配用于目标检测

OTA Official implementation of our CVPR2021 paper "OTA: Optimal Transport Assignment for Object Detection" in Pytorch. OTA 项目地址: https://gitcode.com/gh_mirrors/ot/OTA

项目基础介绍和主要编程语言

OTA（Optimal Transport Assignment）是一个基于PyTorch的开源项目，由Megvii-BaseDetection团队开发。该项目的主要编程语言是Python。OTA项目旨在提供一种新的目标检测方法，通过最优传输分配（Optimal Transport Assignment）来优化目标检测任务中的标签分配问题。

项目核心功能

OTA项目的核心功能是实现了一种新的标签分配策略，称为最优传输分配（OTA）。这种策略通过优化传输成本来动态分配标签，从而提高目标检测的准确性和效率。OTA方法在CVPR 2021论文中被提出，并在多个目标检测基准数据集上取得了显著的性能提升。

项目最近更新的功能

OTA项目最近更新的功能包括：

  1. 多节点训练支持：增加了对多节点分布式训练的支持，可以通过配置文件轻松设置多节点训练环境。
  2. 测试时间增强（TTA）：引入了测试时间增强功能，通过在测试阶段应用多种尺度和增强策略，进一步提高检测性能。
  3. 模型权重下载：提供了多个预训练模型的权重下载链接，方便用户快速开始实验和评估。
  4. 文档和示例更新：更新了项目的文档和示例代码，提供了更详细的安装和使用指南，帮助新用户快速上手。

通过这些更新，OTA项目不仅在性能上有所提升，还增强了用户的使用体验和开发便利性。

OTA Official implementation of our CVPR2021 paper "OTA: Optimal Transport Assignment for Object Detection" in Pytorch. OTA 项目地址: https://gitcode.com/gh_mirrors/ot/OTA

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

OTA：目标检测中的最优传输分配
jacke121的专栏
06-09 3199
该论文主要是关于目标检测中的标签分配问题，作者创新性地从全局的角度重新审视了该问题，并提出将标签分配问题看成是一个最优运输问题。要知道最优传输问题是当前最优化理论和GAN理论研究领域中的一个很火的研究课题。论文的实验效果俱佳，而且作者还提供了相应的源码。 论文：https://arxiv.org/abs/2103.14259v1 代码：https://github.com/Megvii-BaseDetection/OTA 2 论文动机 当前基于卷积神经网络的目标检测器...
OTA：用最优传输理论解决目标检测label assign问题(cvpr2021)
lt1103725556的博客
05-19 1262
最优传输理论： 两种主体，一个供应商(supplier)，一个客户(demander) n个供应商，每个供应商有k个货物，m个客户，每个客户需要s个货物 同时满足n∗k=m∗sn*k=m*sn∗k=m∗s，也就是说所有供应商的货物都能给出去，所有客户都能拿到需要的货物 要解决的是供应商把货物交给客户的运输费用最小化问题，所以叫做最优传输问题 先不讲如何解决这个问题，自然有各种办法解决。 OTA这篇文章就是把label assign问题用最优传输问题建模，然后用最优传输问题的常规方法去解决。 建模： 对于一张
目标检测: 一文读懂 OTA 标签分配
热门推荐
weixin_46142822的博客
04-10 1万+
论文：OTA: Optimal Transport Assignment for Object Detection 论文链接：https://arxiv.org/abs/2103.14259 代码链接：https://github.com/Megvii-BaseDetection/OTA 文章目录1 什么是标签分配？2 为什么提出OTA？3 OTA方法3.1 OTA 思路3.2 Optimal Transport3.3 OT for Label Assignment4 OTA实施细节5 OTA效果性能
OTA：目标检测的最优运输分配
xiaoxixicc的博客
12-27 2446
引言 该论文主要是关于目标检测中的标签分配问题，作者创新性地从全局的角度重新审视了该问题，并提出将标签分配问题看成是一个最优运输问题。要知道最优传输问题是当前最优化理论和GAN理论研究领域中的一个很火的研究课题。论文的实验效果俱佳，而且作者还提供了相应的源码。 术语介绍： 标签：就是图片的特征。 检测：不但分类而且还有定位盒子（通过盒子中心点和长宽） 分类：建立输入与输出的关系（比如特征），输入是图片，输出是标签，此物的特征；所以说呢，此物的特征是需要做的，而大量训练过后...
推荐：OTA——目标检测的最优传输分配算法
gitblog_00066的博客
05-27 500
推荐：OTA——目标检测的最优传输分配算法 OTAOfficial implementation of our CVPR2021 paper "OTA: Optimal Transport Assignment for Object Detection" in Pytorch.项目地址:https://gitcode.com/gh_mirrors/ot/OTA 在计算机视觉领域，目标检测是一项至...
OTA: Optimal Transport Assignment for Object Detection 原理与代码解读
00000cj的博客
11-23 3122
从 \(gt_{i}\) 传输一个正标签到anchor \(a_{j}\) 的运输成本 \(f^{fg}\) 定义为它们之间的分类损失和回归损失的加权和。其中 \(\oslash\) 表示背景类，把 \(c^{bg}\in \mathbb{R}^{1\times n}\) 拼接到 \(c^{fg}\in \mathbb{R}^{m\times n}\) 的最后一行即得到了完整的cost matrix \(c\in \mathbb{R}^{(m+1)\times n}\)。在标准的最优传输问题中，
OTA目标检测论文
最新发布
03-20
例如，某些目标检测框架通过引入最优传输的思想优化边界框分配策略或者损失函数设计[^1]。具体来说： - **ReDet** 提出了旋转等变的目标检测器，虽然其核心不完全基于最优传输，但它展示了如何结合几何变换特性提升...
目标检测—DiffusionDet:用于检测的概率扩散模型笔记—DDPM
m0_57781768的博客
12-07 4153
目录一、Introduction二、相关工作三、方法1.准备工作2.架构3、训练4.预测过程四. 实验1.训练策略2.main property3.消融实验五、代码分析1.测试 demo.py2.训练 train-net.py总结DiffusionDet：将目标检测问题构建为一个从带噪框到目标框的降噪扩散过程。在训练阶段，目标框从GT框扩散到随机分布，模型学习如何逆转这个噪声过程；在推理阶段，模型将一系列随机的框逐步改善为输出结果。在MS-COCO和LVIS数据集上，DiffusionDet和已有的目标检测
ota: optimal transport assignment for object detection
03-16
OTA（Optimal Transport Assignment）是一种用于目标检测的最优传输分配算法。它通过计算两个概率分布之间的最小成本来确定两个集合之间的最佳匹配。在目标检测中，OTA可以用于将检测到的目标与真实目标进行匹配，...
目标检测标签分配之 OTA 和 SimOTA 细节学习
博观约取，厚积薄发
10-12 5065
一张图片上有3个目标框，即3个ground truth项目有2个检测类别，比如 cat/dog网络输出1000个预测框，其中只有少部分是正样本，绝大多数是负样本是候选检测框的信息，维度是[1000，4]。预测框的四个坐标。obj_preds是目标分数(object score)，维度是[1000，1]。预测框是前景还是背景。cls_preds是类别分数，维度是[1000，2]。预测框的2个检测类别的one-hot。训练网络需要知道这 1000个预测框的标签，而如何分配标签呢？
目标检测改进系列1：yolo v5网络中OTA损失函数替换
qq_45919032的博客
03-13 2977
将Yolo v5的损失函数进行修改进行新的训练。
【目标检测】36、OTA: Optimal Transport Assignment for Object Detection
呆呆的猫的博客
09-01 6097
作者认为，独立的给每个 gt 分配 pos/neg 不是最优的方法，缺失了上下文信息，当处理那些模棱两可的 anchor 时（如图 1 中的红色点，一个点处于多个 gt 中），上面的方法是靠手工的特征来选定属于哪个 gt 的（如 max-IoU、min-Area 等）在目标检测的上下文中，假设有 m 个 gt，n 个 anchor，把 gt 看做 positive labels 的供货商，供应 label，anchor 看做需求方，需要 label。...
英文论文（sci）解读复现【NO.16】OTA:目标检测的最优传输分配
m0_70388905的博客
06-02 795
在目标检测中，标签分配的最新进展主要是为每个ground-truth (gt)目标独立定义正/负训练样本。在本文中，我们创新地从全局的角度重新审视标签分配，并提出将分配程序作为一个最优运输(OT)问题-一个在优化理论中被充分研究的主题。
论文解读OTA: Optimal Transport Assignment for Object Detection
a486259的博客
01-13 1401
在目标检测中标签分配的最新进展主要寻求为每个GT对象独立定义正/负训练样本。在本文中，我们创新性地从全局的角度重新审视标签分配，并提出将分配程序制定为一个最优传输（OT）问题——优化理论中一个被充分研究的课题。具体来说，我们将每个需求方（锚框）和供应商（GT标签）的单位传输成本定义为他们的分类和回归损失加权之和。在公式化后，找到最好的分配方案即为最小传播成本解决最优传输方案，这可以使用Sinkhorn-Knopp迭代求解。在COCO中，一个使用最优传输分配（Optimal Transport Assignm
【YOLOv5改进系列(3)】高效涨点----Optimal Transport Assignment：OTA最优传输方法
慕溪同学的博客
03-21 1608
Optimal Transport Assignment最优传输方法是在21年提出来的，主要用于密集物体检测，本次使用的数据集是热轧钢带的六种典型表面缺陷数据集，因为我使用的图像数据集的物体不够密集，虽然有所涨点，但是涨点并没有原论文中效果那么好，并且在训练过程中会发现使用最优传输方法的计算量比较大，使用同一个数据集训练，训练时间大约是正常训练的3倍。
开源探索：OTA——对象检测中的最优传输分配新纪元
gitblog_00502的博客
08-16 963
开源探索：OTA——对象检测中的最优传输分配新纪元 OTAOfficial implementation of our CVPR2021 paper "OTA: Optimal Transport Assignment for Object Detection" in Pytorch.项目地址:https://gitcode.com/gh_mirrors/ot/OTA 在深度学习的浪潮中，对象检...
论文阅读|目标检测之基于OTA，以最佳传输优化来实现新的基于CNN的一对多标签分配策略
yanghao201607030101的博客
04-25 6351
OTA: Optimal Transport Assignment for Object Detection文章提出一种新的标签分配策略——Optimal Transport Assignment (OTA)，该策略将gt和bg的标签分配给anchor的过程转变成一个最优化的问题，使用SinkhornIter迭代求解得到最小的分配代价矩阵c，解码该分配代价矩阵c后得到最佳分配方案，然后剩余工作（求总loss，反向传播等）即可和FCOS等一样进行。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

韩悦思

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值