目标检测算法——RetinaNet

最新推荐文章于 2025-05-17 16:17:37 发布
最新推荐文章于 2025-05-17 16:17:37 发布
阅读量212 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 目标检测 文章标签： 计算机视觉
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/weixin_43489950/article/details/120452434
博客链接指向知乎文章，标签为计算机视觉，但未给出具体内容，推测与计算机视觉领域相关知识有关。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

https://zhuanlan.zhihu.com/p/59910080

算法工程师面试问题 | 目标检测网络总结——object detect
kay_545
04-28 2025
面试问题，面试提问，面试技巧，算法工程师
One-Stage目标检测算法之——CornerNet
qq_15056979的博客
07-09 903
论文地址：https://arxiv.org/abs/1808.01244 代码地址：https://github.com/princeton-vl/CornerNet 创新点： 提出了一种通过预测一对关键点（左上角和右下角）来预测目标 bounding box 的方法。 提出了一种新的池化方法 corner pooling，该池化方法用来更好的定位 bounding box...
PytTorch实现的RetinaNet目标检测
08-11
Pytorch implementation of RetinaNet object detection.
目标检测：RetinaNet算法细节以及代码部分
m0_49100031的博客
03-08 6855
一、背景 目标检测算法一般分为单阶段算法和多阶段算法。 多阶段算法特点是：精度高，但速度慢。（Faster-RCNN） 单阶段算法特点是：速度快，但精度不如前者。(SSD,RetinaNet，以及后面的FCOS等等) 精度低的关键原因就在于：正负样本极度不平衡。 那么Faster-RCNN为什么没有这个困扰？ 因为在Faster-RCNN的RPN阶段已经对锚框进行了一个IOU匹配，做了一个筛选。 在SSD中，采用了难负样本挖掘来解决这个问题，但是还是有很多缺陷，主要有一下两个问题。 ① 样本利用不充分：只使
Python-Keras中RetinaNet对象检测的实现指南
最新发布
weixin_31715353的博客
05-17 749
RetinaNet是基于深度学习的目标检测算法，专门设计来解决目标检测中类别不平衡问题，并实现高速高准确率的检测。它通过引入Focal Loss来改进现有的损失函数，显著提升了模型对于难以检测的小目标的识别能力。Keras 是一个高度模块化的神经网络库，它使用 Python 编写，并能够运行在 TensorFlow、CNTK 或 Theano 之上。Keras 的设计哲学是为了实现快速实验，允许开发者以最小的延迟把想法转换为结果。其易用性主要体现在以下几个方面：模块化。
目标检测——RetinaNet（十）
散修炼丹师手记
11-03 698
简介： 这篇paper《RetinaNet：Focal Loss for Dense Object Detection》获得了ICCV 2017的Best，创新点就是Focal Loss了，其主要贡献就是解决了one-stage算法中正负样本的比例严重失衡的问题，不需要改变网络结构，只需要改变损失函数就可以获得很好的效果。 原论文地址：https://arxiv.org/pdf/1708.02002.pdf 网络结构： 由上图可以看出结构比较简单，基础网络使用的是Resnet，然后在不同尺度的featur
目标检测—7 RetinaNet
qq_35732321的博客
03-04 733
RetinaNet1 主干网络2 数据处理3 训练4 预测5 模型评价 1 主干网络 主干网络：RestNet50 + FPN + (cls,reg) RestNet50: 对Inputs用ConvBlock和IdentityBlock进行5次下采样，输出3个特征层 FPN: 对上一步输入的特征层上采样得到5个特征层。 cls , reg:根据上一步的结果分别进行回归和分类。 2 数据处理 把数据分为训练集、验证集、测试集 1.0 设置xml地址和处理数据的存放地址 2.1 得到所有的xml文件
目标检测：Retinanet
AIBAIKE的博客
09-28 3834
1.数据生成参考如下博客（经验证ok）： 制作自己的数据集：首先将自己的数据集转换成VOC2007格式，再把VOC2007转化成CSV格式。 首先将自己的数据集转换成VOC2007格式的数据集：https://blog.csdn.net/u012426298/article/details/80334292 再将VOC2007格式的数据集转化为CSV：https://blog.csdn.ne...
目标检测——CornerNet
PRIS-SCMonkey的博客
04-08 2807
CornerNet是一个比较综合的目标检测论文，如果要详细看的话要补充好多的知识，所以像我们基础比较薄弱的看起来比较吃力，但是一点点慢慢来嘛，总有一些事情是可以坚持下去的，比如说…写博客。 【Paper】CornerNet：Detecting Objects as Paired Keypoints ...
One-stage目标检测里程碑算法之SSD、YOLO系列、RetinaNet等
迷路的咸鱼的博客
06-14 4494
  相较于two-stage detectors ，one-stage detectors不需要提取region proposal的阶段，直接预测物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度。本篇博客将逐步按照YOLO→SSD→RetinaNet→YOLOv2→YOLOv3→YOLOv4的顺序，依次整理one-stage目标检测算法的改进点。除此之外，one-stage的anchor-free目标检测器在不断发展，包括CornerNet、ExtremeNet、F
自己复现的目标检测算法.zip
09-06
常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。 4. 目标检测应用 1）人脸检测 智能门控 员工考勤签到 智慧超市 人脸支付 车站、机场实名认证 公共安全：逃犯抓捕、走失人员...
Retinanet-Pytorch:Retinanet目标检测算法(简单,明了,易用,全中文注释,单机多卡训练,视频检测)(based on pytorch,Simple, Clear, Mutil GPU)
05-05
GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op
深度学习之目标检测---RetinaNet网络结构详解
qq_52191127的博客
08-11 2233
无论是前景类还是背景类， p t p_t pt​ 越大，权重 ( 1 − p t ) γ (1-p_t)^{\gamma} (1−pt​)γ 就越小，即简单样本的损失可以通过权重进行抑制；α t \alpha_t αt​ 用于调节正负样本损失之间的比例，前景类别使用 α t \alpha_t αt​ 时，对应的背景类别使用 1 − α t 1-\alpha_t 1−αt​;γ \gamma γ 和 α t \alpha_t αt​ 的最优值是相互影响的，所以在评估准确度时需要把两者组合起来调节。
目标检测（Object Detection）—— RetinaNet介绍
weixin_42075898的博客
10-14 1385
1 概述 主流目标检测框架可分成两类：①one-stage方法，以YOLO、SSD为代表；②two-stages方法，以RCNN系列为代表。前者检测速度快，但检测精度较低；后者检测速度慢，但是精度较高。 为什么one-stage方法不如two-stages方法？ 这是RetinaNet的作者提出的问题。作者对此做出的回答是：one-stage方法生成的proposals中正负样本极不均衡造成了o...
目标检测 RetinaNet
暮日落流年的博客
05-11 597
此篇论文获得了ICCV最佳学生论文奖，提出了Focal Loss。 论文: Focal Loss for Dense Object Detection 代码: 一. Caffe2: facebookresearch/Detectron 二. Keras: fizyr/keras-retinanet 三. Pytorch: kuangliu/pytorch-retinanet 论文解析: 知乎:简单的交叉熵损失函数，你真的懂了吗？ 知乎:物体检测之Focal Loss及RetinaNet CSDN:论文.
论文RetinaNet ：Focal Loss for Dense object Detection阅读笔记
lanpangzi33的博客
05-29 519
论文RetinaNet <>阅读笔记 1.摘要 迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，在可能的物体位置的规则，密集采样上应用的 one-stage 探测器具有更快和更简单的可能性，但迄今为止已经落后于 two-stage 探测器的精度。在本文中，我们调查为什么会这样。我们发现在密集探测器训练过程中遇到的极端前景 - 背景类不平衡是其中心原因。我们提出通过重塑标准交叉熵损失来解决这种类不平衡问题，从而降低分配
深度学习目标检测算法之RetinaNet算法
热门推荐
风间琉璃的博客
03-27 1万+
目标检测算法RetinaNet网络原理同时介绍了FPN特征金字塔和Focal Loss损失函数！
目标检测之RetinaNet
踏雪博客
12-19 8836
论文 地址：https://arxiv.org/pdf/1708.02002.pdf 思想 主要目的是解决易分类样本和难分类样本之间的均衡问题，不仅仅是解决样本不均衡的问题。也就是说使易分类样本对loss的贡献减小，使难分类样本对loss的贡献增大。论文最主要的贡献针对这个问题提出了一个loss函数：Focal loss。 Focal loss 是在交叉熵的基础上进行的改进，在损失函数之前增加...
目标检测模型学习（1）：retinanet-pytorch（1）
qiyu_00的博客
09-11 336
一、pytorch环境的搭建 1.Anaconda3下的pytorch-gpu的安装 搭建pytorch的环境，首先我们需要安装好Anaconda来辅助我们安装环境，具体教程可以看作者的这篇文章：深度学习入门笔记--1（Windows10下Anaconda3+Cuda+cuDNN的安装）_qiyu_00的博客-CSDN博客 现在相信各位都已经下载并配置好了Anaconda3，现在我们来打开Anaconda Prompt： base代表的就是默认环境，现在让我们来创建一个自己的环境来搭建pyto.
YOLO v3：小改进，大提升——目标检测算法新进展
在更严格的0.5 IOU（Intersection over Union）评价标准下，YOLO v3在51毫秒内达到57.9 AP50，相比于RetinaNet的198毫秒和57.5 AP50，不仅性能相近，而且速度快了约3.8倍。这体现了YOLO v3在兼顾速度与准确性的优秀...
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
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