亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于關(guān)鍵點(diǎn)檢測(cè)二階段目標(biāo)檢測(cè)方法研究

        2021-10-13 09:34:24王宏任陳世峰
        集成技術(shù) 2021年5期
        關(guān)鍵詞:關(guān)鍵點(diǎn)區(qū)域檢測(cè)

        王宏任 陳世峰

        1(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055)

        2(中國(guó)科學(xué)院大學(xué)深圳先進(jìn)技術(shù)學(xué)院 深圳 518055)

        1 引 言

        目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)中很常見(jiàn)的任務(wù)。根據(jù)有無(wú)提取候選區(qū)域(Region Proposal),目標(biāo)檢測(cè)領(lǐng)域的檢測(cè)方法通常分為一階段(One-stage)檢測(cè)網(wǎng)絡(luò)和二階段(Two-stage)檢測(cè)網(wǎng)絡(luò)。其中,一階段檢測(cè)方法直接回歸物體的類(lèi)別概率和位置坐標(biāo)值。常見(jiàn)的一階段算法包括:YOLOv1[1]、YOLOv2[2]、YOLOv3[3]、SSD[4]、DSSD[5]和Retina-Net[6]。二階段檢測(cè)方法的任務(wù)包括第一階段提取候選區(qū)域以及第二階段將候選區(qū)域送到分類(lèi)器進(jìn)行分類(lèi)與檢測(cè)。常見(jiàn)的二階段算法包括:R-CNN[7]、SPP-Net[8]、Fast R-CNN[9]、Faster R-CNN[10]、Mask R-CNN[11]和 Cascade R-CNN[12]。與一階段檢測(cè)網(wǎng)絡(luò)相比,二階段檢測(cè)網(wǎng)絡(luò)的檢測(cè)精度更高,但速度慢于一階段檢測(cè)網(wǎng)絡(luò)。

        另外,根據(jù)是否利用錨框(Anchor)提取候選目標(biāo)框,目標(biāo)檢測(cè)框架也可分為基于錨框的方法(Anchor-based)、基于無(wú)錨框的方法(Anchorfree)以及兩者融合類(lèi)。其中,基于錨框類(lèi)算法有Fast R-CNN、SSD、YOLOv2 和 YOLOv3;基于無(wú)錨框類(lèi)算法有 CornerNet[13]、ExtremeNet[14]、CenterNet[15]和 FCOS[16];融合基于錨框和基于無(wú)錨框分支的方法有 FSAF[17]、GA-RPN[18]和SFace[19]。

        目前,所有的主流探測(cè)器,如 Faster R-CNN、SSD、YOLOv2 和 YOLOv3 都依賴(lài)一組預(yù)先定義的錨框。其中,人們認(rèn)為錨框的使用是檢測(cè)器成功的關(guān)鍵。盡管這些主流探測(cè)器取得了巨大的成功,但基于錨框方法仍存在一些缺點(diǎn):(1)即使經(jīng)過(guò)仔細(xì)的設(shè)計(jì),但由于錨框的尺度和長(zhǎng)寬比是預(yù)先設(shè)定的,檢測(cè)器在處理形狀變化較大的候選物體時(shí)也會(huì)遇到困難,尤其是對(duì)于小物體,這無(wú)疑阻礙了檢測(cè)器的泛化能力;(2)為了達(dá)到較高的召回率,需要在輸入圖像上密集放置錨框(如對(duì)于短邊為 800 的圖像,在特征金字塔網(wǎng)絡(luò)(FPN)中放置超過(guò) 180k 的錨框),但大多數(shù)錨框在訓(xùn)練中被標(biāo)記為負(fù)樣本,而過(guò)多的負(fù)樣本會(huì)加劇訓(xùn)練中正負(fù)樣本之間的不平衡;(3)錨框涉及復(fù)雜的計(jì)算,如計(jì)算與真實(shí)邊框(Ground-truth)的重疊度(Intersection over Union,IoU)。

        為了克服基于錨框方法的缺點(diǎn),CornerNet采用基于關(guān)鍵點(diǎn)檢測(cè)角點(diǎn)提取候選區(qū)域的方法:利用單個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)一個(gè)以左上角和右下角為一對(duì)關(guān)鍵點(diǎn)的目標(biāo)包圍框,通過(guò)將目標(biāo)作為成對(duì)的關(guān)鍵點(diǎn)進(jìn)行檢測(cè),消除了以往檢測(cè)器通常需要人為設(shè)計(jì)錨框的需要。然而,CornerNet也存在一些問(wèn)題:(1)CornerNet 對(duì)物體內(nèi)部信息的感知能力相對(duì)較弱,制約了 CornerNet 的性能。(2)在進(jìn)行關(guān)鍵點(diǎn)配對(duì)時(shí),CornerNet 認(rèn)為屬于同一類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能靠近,屬于不同類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能遠(yuǎn)離。但在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn),通過(guò)計(jì)算左上角點(diǎn)的嵌入向量及右下角點(diǎn)的嵌入向量間的距離來(lái)決定是否將兩個(gè)點(diǎn)進(jìn)行組合,經(jīng)常會(huì)發(fā)生配對(duì)錯(cuò)誤的情況。(3)采用關(guān)鍵點(diǎn)配對(duì)的方式確定一個(gè)目標(biāo)的候選區(qū)域,會(huì)產(chǎn)生大量誤檢目標(biāo)的候選區(qū)域,這樣不僅會(huì)使檢測(cè)精度降低而且會(huì)花費(fèi)較長(zhǎng)時(shí)間。本文提出一種新的無(wú)錨框二階段目標(biāo)檢測(cè)算法對(duì)以上 3 個(gè)問(wèn)題進(jìn)行優(yōu)化。

        2 基于關(guān)鍵點(diǎn)目標(biāo)檢測(cè)方法

        本文將 CornerNet 作為基準(zhǔn),提出一種基于無(wú)錨框 3 個(gè)關(guān)鍵點(diǎn)檢測(cè)的二階段目標(biāo)檢測(cè)網(wǎng)絡(luò)方法。如圖 1 所示:第一階段采用基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的方法分別檢測(cè)角點(diǎn)以及中心關(guān)鍵點(diǎn),同時(shí)判斷中心點(diǎn)是否落在中心區(qū)域以進(jìn)行誤檢候選區(qū)域的剔除,即提取候選區(qū)域;第二階段將第一階段過(guò)濾后保留下來(lái)的候選區(qū)域送到多元分類(lèi)器中進(jìn)行分類(lèi)與檢測(cè)。

        圖1 基于關(guān)鍵點(diǎn)檢測(cè)的二階段目標(biāo)檢測(cè)方法網(wǎng)絡(luò)框架Fig.1 The network architecture of two-stage object detection method based on key point detection

        2.1 基于無(wú)錨框 3 個(gè)關(guān)鍵點(diǎn)檢測(cè)

        為了檢測(cè)角點(diǎn),本文先采用基于 CornerNet關(guān)鍵點(diǎn)檢測(cè)的方法來(lái)定位左上以及右下角點(diǎn);然后,通過(guò)角點(diǎn)池化[13]生成左上角以及右下角兩個(gè)熱圖來(lái)代表不同類(lèi)別關(guān)鍵點(diǎn)的位置;最后,進(jìn)行角點(diǎn)關(guān)鍵點(diǎn)的偏移修正。

        另外,為了加強(qiáng)網(wǎng)絡(luò)對(duì)物體內(nèi)部信息的感知能力,本文增加了中心關(guān)鍵點(diǎn)的檢測(cè)分支,并采用中心池化操作加強(qiáng)中心點(diǎn)的特征。同時(shí)定義了物體中心度的概念——設(shè)定中心度大于 0.7 時(shí),可認(rèn)為中心關(guān)鍵點(diǎn)落在中心區(qū)域,很好地解決了不同尺寸物體中心區(qū)域的判定。最終,只有當(dāng)物體的中心點(diǎn)落在預(yù)測(cè)框的中心區(qū)域才進(jìn)行保留,否則去除。需要說(shuō)明的是,當(dāng)中心關(guān)鍵點(diǎn)同時(shí)落在多個(gè)不同的預(yù)測(cè)框中時(shí),取中心度最大的那個(gè)預(yù)測(cè)框予以保留,并剔除多余的預(yù)測(cè)框,以減少誤檢框出現(xiàn)的概率。具體如圖 2 所示。

        圖2 利用中心關(guān)鍵點(diǎn)過(guò)濾誤檢候選區(qū)域Fig.2 Filtering false detection candidate regions using the internal key point

        2.1.1 角點(diǎn)關(guān)鍵點(diǎn)檢測(cè)

        關(guān)于角點(diǎn)關(guān)鍵點(diǎn)的檢測(cè),本文借鑒CornerNet 來(lái)定位被檢對(duì)象的兩個(gè)角點(diǎn)關(guān)鍵點(diǎn)——分別位于其左上角和右下角。計(jì)算 3 個(gè)熱圖(即左上的熱圖和右下的熱圖以及中心點(diǎn)的熱圖,熱圖上的每個(gè)值表示一個(gè)角的關(guān)鍵點(diǎn)出現(xiàn)在相應(yīng)位置的概率),其分辨率變成原始圖像分辨率的 1/4。其中,熱圖有兩個(gè)損失,用來(lái)定位熱圖上的左上角關(guān)鍵點(diǎn),用來(lái)定位熱圖上的右下角關(guān)鍵點(diǎn)和偏移損失,具體如公式(1)~(3)。在計(jì)算熱圖之后,從所有熱圖中提取固定數(shù)量的關(guān)鍵點(diǎn)(左上角k個(gè),右下角k個(gè)),每個(gè)角點(diǎn)的關(guān)鍵點(diǎn)都配有一個(gè)類(lèi)標(biāo)簽。

        其中,C為目標(biāo)的類(lèi)別;H、W分別為熱圖的高和寬;pcij為預(yù)測(cè)熱圖中c類(lèi)在位置(i,j)的得分;ycij為加了非歸一化高斯熱圖;N為圖像中物體的數(shù)量;α和β為控制每個(gè)點(diǎn)貢獻(xiàn)的超參數(shù)。

        在進(jìn)行關(guān)鍵點(diǎn)配對(duì)時(shí),CornerNet 認(rèn)為屬于同一類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能靠近,屬于不同類(lèi)別的關(guān)鍵角點(diǎn)間應(yīng)盡可能遠(yuǎn)離[21]。但在實(shí)驗(yàn)的過(guò)程中,配對(duì)關(guān)鍵點(diǎn)時(shí)可能會(huì)出現(xiàn)錯(cuò)誤,同時(shí)為了充分利用物體的內(nèi)部信息,本文將這一機(jī)制舍棄,留給二階段中的多元分類(lèi)器來(lái)完成關(guān)鍵點(diǎn)的配對(duì)問(wèn)題。

        2.1.2 中心度——中心區(qū)域的定義

        為了有效剔除大量誤檢候選區(qū)域,本文通過(guò)判斷中心關(guān)鍵點(diǎn)是否落在目標(biāo)框的中心區(qū)域的方法來(lái)解決此問(wèn)題。由于每個(gè)邊界框的大小不同,所以中心區(qū)域不能設(shè)置為一個(gè)固定的數(shù)值。本文提出尺度可調(diào)節(jié)的中心區(qū)域定義法如公式(4)所示,引入新的定量指標(biāo)中心度(Centrality)概念。

        其中,l為計(jì)算中心點(diǎn)到預(yù)測(cè)框左邊的距離;r為中心點(diǎn)到右側(cè)的距離;t為中心點(diǎn)到上邊框的距離;b為中心點(diǎn)到下邊框的距離,具體如圖 3 所示。

        圖3 中心度計(jì)算Fig.3 Centrality calculation

        2.1.3 中心池化

        中心池化操作參考 CornerNet 的兩個(gè)角點(diǎn)池化模塊——左上角點(diǎn)池化和右下角點(diǎn)池化,分別預(yù)測(cè)左上角關(guān)鍵點(diǎn)和右下角關(guān)鍵點(diǎn)。每個(gè)角點(diǎn)模塊有 2 個(gè)輸入特征圖,相應(yīng)圖的寬、高分別用W和H表示。假設(shè)要對(duì)特征圖上(i,j)點(diǎn)做左上角的角點(diǎn)池化,即計(jì)算(i,j)到(i,H)的最大值(最大池化),同時(shí)計(jì)算(i,j)到(W,j)的最大值(最大池化),隨后將這兩個(gè)最大值相加得到(i,j)點(diǎn)的值。右下角的角點(diǎn)池化操作類(lèi)似,只不過(guò)計(jì)算最大值變成從(0,j)到(i,j)和從(i,0)到(i,j)。

        物體的幾何中心不一定具有很明顯的視覺(jué)特征,如人類(lèi)頭部包含強(qiáng)烈的視覺(jué)特征,但中心關(guān)鍵點(diǎn)往往在人體的中間。為了解決這個(gè)問(wèn)題,本文采用中心池化來(lái)捕捉更豐富和可識(shí)別的視覺(jué)特征。圖4 為中心池化的原理:特征提取網(wǎng)絡(luò)輸出一幅特征圖(寬、高分別用W和H表示),中心池化可通過(guò)不同方向上的角點(diǎn)池化的組合實(shí)現(xiàn)。其中,水平方向上取最大值的操作可通過(guò)左邊池化(Left Pooling)和右邊池化(Right Pooling)串聯(lián)實(shí)現(xiàn)。同理,垂直方向上取最大值的操作可通過(guò)上部池化(Top Pooling)和下部池化(Bottom Pooling)串聯(lián)實(shí)現(xiàn)。

        為了判斷特征圖中的某個(gè)像素是否為中心關(guān)鍵點(diǎn),需要通過(guò)中心池化找到其在水平方向和垂直方向的最大值,且將二者相加,這樣有助于更好地檢測(cè)中心關(guān)鍵點(diǎn)。具體操作為特征圖的兩個(gè)分支分別經(jīng)過(guò)一個(gè) 3×3 卷積層、BN(Batch Normalization)層以及一個(gè) ReLU 激活函數(shù),做水平方向和垂直方向的角點(diǎn)池化,最后再相加。假設(shè)對(duì)圖上(i,j)點(diǎn)在水平方向做右邊池化,即計(jì)算(i,j)到(W,j)的最大值(最大池化);同理,計(jì)算左邊池化,再將二者串聯(lián)相加獲得(i,j)點(diǎn)水平方向的值。同理,找到垂直方向,最后將水平與垂直方向的值進(jìn)行相加獲得(i,j)點(diǎn)的值。

        2.2 分類(lèi)

        采用關(guān)鍵點(diǎn)檢測(cè)的方式提取候選區(qū)域,雖然能夠解決需人為設(shè)定錨框大小以及長(zhǎng)寬比等超參數(shù)的問(wèn)題,大大提高檢測(cè)的靈活度,但也因此帶來(lái)了兩個(gè)問(wèn)題:大量的誤檢候選區(qū)域以及過(guò)濾掉這些誤檢區(qū)域而帶來(lái)的高計(jì)算成本。基于此,本文采取的解決方案主要包括兩個(gè)步驟:

        (1)先判斷角點(diǎn)與中心點(diǎn)是否屬于同一類(lèi)別,再通過(guò)計(jì)算中心點(diǎn)的中心度是否大于 0.7 來(lái)過(guò)濾掉大量錯(cuò)誤的候選區(qū)域。

        (2)將第一步篩選后存留的候選區(qū)域送到之后的多元分類(lèi)器,對(duì)仍存在多個(gè)類(lèi)別的目標(biāo)分?jǐn)?shù)進(jìn)行排序。其中,采用 RoIAlign[26]提取每個(gè)候選區(qū)域上的特征,并通過(guò) 256×7×7 卷積層,得到一個(gè)表示類(lèi)別的向量,為每一個(gè)存活的候選區(qū)域建立單獨(dú)的分類(lèi)器。損失函數(shù)Lclass為Focal Loss[6]:

        其中,M和N分別為保留的候選區(qū)域數(shù)量和其中的正樣本數(shù)量;C為數(shù)據(jù)集中與之交叉的類(lèi)別數(shù);IoUnc為第n個(gè)候選區(qū)域與第c個(gè)類(lèi)別中所有真實(shí)框之間的最大IoU值;τ為IoU的閾值(設(shè)為 0.7);為第n個(gè)目標(biāo)中第c個(gè)類(lèi)別的分類(lèi)分?jǐn)?shù);為平滑損失函數(shù)的超參數(shù)(設(shè)為 2)。

        3 實(shí) 驗(yàn)

        3.1 數(shù)據(jù)集與評(píng)估指標(biāo)

        MS-COCO[22]是目前最流行的目標(biāo)檢測(cè)基準(zhǔn)數(shù)據(jù)集之一,總共包含 12 萬(wàn)張圖片,超過(guò) 150萬(wàn)個(gè)邊界框,覆蓋 80 個(gè)對(duì)象類(lèi)別,是一個(gè)非常具有挑戰(zhàn)性的數(shù)據(jù)集。本文使用 trainval35k 來(lái)訓(xùn)練基于關(guān)鍵點(diǎn)檢測(cè)二階段目標(biāo)檢測(cè)網(wǎng)絡(luò)模型,并在 MS-COCO 數(shù)據(jù)集上進(jìn)行評(píng)估。其中,trainval35k 是由 80k 張訓(xùn)練圖片和 35k 張驗(yàn)證圖像的子集組成的聯(lián)合集。

        圖4 中心池化結(jié)構(gòu)示意圖Fig.4 Schematic diagram of central pooling structure

        本文使用 MS-COCO 中定義的平均精度(Average Precision,AP)作為度量來(lái)表征網(wǎng)絡(luò)模型的性能以及其他競(jìng)爭(zhēng)對(duì)手的性能。單個(gè)IoU閾值從 0.5 到 0.95 每隔 0.05 記錄一次精度 AP,最后取平均值(即0.5:0.05:0.95) 。實(shí)驗(yàn)中也記錄了一些其他重要指標(biāo),如 AP50和 AP75為在單個(gè)IoU閾值 0.50 和 0.75 下計(jì)算精度,APs、APm和APl為在不同的目標(biāo)尺度下計(jì)算精度(小尺寸物體面積小于 32×32,中尺寸物體面積大于 32×32小于 96×96,大尺寸物體面積大于 96×96)。所有的度量都是在每個(gè)測(cè)試圖像上允許最多保留100 個(gè)候選區(qū)域計(jì)算的。

        3.2 網(wǎng)絡(luò)的訓(xùn)練和測(cè)試

        本文以 CornerNet 作為基線(xiàn),部分參考了CornerNet、FCOS 的代碼,特征提取網(wǎng)絡(luò)仍然延用 CornerNet 中采用的 52/104 層的 Hourglass[24]網(wǎng)絡(luò),并借助 Pytorch[23]實(shí)現(xiàn)算法。

        網(wǎng)絡(luò)從零開(kāi)始訓(xùn)練,輸入圖像的分辨率為511×511,輸出熱圖的分辨率為 128×128。利用Adam[25]來(lái)優(yōu)化訓(xùn)練損失,整個(gè)網(wǎng)絡(luò)的損失函數(shù)L為:

        4 結(jié)果與討論

        本文在通用檢測(cè)數(shù)據(jù)集 COCO test-2017 上對(duì)近年來(lái)比較常見(jiàn)的基于錨框與基于無(wú)錨框的檢測(cè)框架進(jìn)行精度測(cè)試,結(jié)果如表 1 所示。從表 1 可知,本文基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的二階段方法比基于錨框的二階段方法 YOLOv4 精度提升 3.2%;比基于無(wú)錨框的一階段方法如 FCOS、CenterNet 精度分別提升 5.2% 和 1.8%,比CornerNet 精度提升 6.2%。其中,在檢測(cè)尺寸以及長(zhǎng)寬比特殊的物體時(shí),檢測(cè)精度提升更明顯。這表明,基于無(wú)錨框方法進(jìn)行提取候選區(qū)域更具優(yōu)勢(shì)。

        表1 本文方法和最先進(jìn)的檢測(cè)框架在 COCO test-2017 上的精度對(duì)比Table 1 Inference accuracy of ours and state-of-the-art detectors on the COCO test-2017 set

        在單尺度測(cè)試時(shí),將原始分辨率的圖像和水平翻轉(zhuǎn)的圖像輸入網(wǎng)絡(luò)中,而在多尺度測(cè)試時(shí),將原始圖像的分辨率分別設(shè)置為 0.6、1、1.2、1.5 和 1.8 倍。此外,在單尺度評(píng)價(jià)和多尺度評(píng)價(jià)中都增加了翻轉(zhuǎn)變量。在多尺度評(píng)價(jià)時(shí),將所有尺度的預(yù)測(cè)結(jié)果(包括翻轉(zhuǎn)變量)融合到最終結(jié)果中,然后使用 soft-NMS 來(lái)抑制冗余的限定框,并保留 100 個(gè)得分最高的限定框作為最終評(píng)價(jià),結(jié)果如表 2 所示。

        表2 多尺度測(cè)試Table 2 Multi-scale evaluation

        將 3 種不同檢測(cè)框架與本研究檢測(cè)方法在COCO 數(shù)據(jù)集上進(jìn)行召回率評(píng)估,即記錄不同長(zhǎng)寬比和不同大小目標(biāo)的平均召回率(Average Recall,AR),結(jié)果如表 3 所示。

        表3 基于錨框和無(wú)錨框檢測(cè)方法的平均召回率(AR)比較Table 3 Comparison among the average recall (AR) of anchor-based and anchor-free detection methods

        通常來(lái)說(shuō),在物體非常大時(shí),如尺寸大于(400×400,∞),更容易被檢測(cè)到。與其他基于無(wú)錨框的方法相比,基于錨框的方法 Faster R-CNN并沒(méi)有達(dá)到期望的較高召回率。但當(dāng)物體長(zhǎng)寬比比較特殊(如 5∶1 和 8∶1)時(shí),基于無(wú)錨框的檢測(cè)方法比基于錨框的方法表現(xiàn)更加優(yōu)異。這是因?yàn)榛跓o(wú)錨框的檢測(cè)方法擺脫了人為設(shè)置錨框長(zhǎng)寬比的束縛。本文方法繼承了 FCOS 和CornerNet 的優(yōu)點(diǎn),使目標(biāo)定位更靈活,特別是長(zhǎng)寬比例特殊的物體。

        本文在 CornerNet 算法基礎(chǔ)上加上中心關(guān)鍵點(diǎn)檢測(cè)分支與原始算法進(jìn)行對(duì)比來(lái)進(jìn)行消融實(shí)驗(yàn),其中特征提取網(wǎng)絡(luò)采用 Hourglass-52,結(jié)果如表 4 所示。分析數(shù)據(jù)可以看到,當(dāng)引入中心關(guān)鍵點(diǎn)檢測(cè)分支后精度提升 3%,小目標(biāo)檢測(cè)精度提升 5.8%,大目標(biāo)檢測(cè)精度提升 3.6%。表明引入中心關(guān)鍵點(diǎn)檢測(cè)分支后,小目標(biāo)誤檢候選區(qū)域去除得更多。這是因?yàn)閺母怕噬现v,小目標(biāo)由于面積小更容易確定其中心點(diǎn),因此那些誤檢候選區(qū)域不在中心點(diǎn)附近的概率更大。

        表4 添加中心關(guān)鍵點(diǎn)分支的消融實(shí)驗(yàn)Table 4 The ablation experiment with the addition of the branch of the central key point

        圖5 為基于錨框方法 Faster R-CNN 與基于無(wú)錨框關(guān)鍵點(diǎn)檢測(cè)的方法進(jìn)行檢測(cè)任務(wù)的可視化對(duì)比結(jié)果??梢钥吹?,本文研究方法無(wú)需人為設(shè)置錨框大小及長(zhǎng)寬比,對(duì)于檢測(cè)小目標(biāo)以及形狀特殊的物體具有更好的檢測(cè)效果。

        圖5 目標(biāo)檢測(cè)可視化對(duì)比圖Fig.5 Visual contrast diagram of object detection

        5 結(jié)論

        本文提出了基于無(wú)錨框二階段目標(biāo)檢測(cè)框架,即分別提取角點(diǎn)關(guān)鍵點(diǎn)以及物體中心關(guān)鍵點(diǎn),并將它們組合成候選區(qū)域。通過(guò)判斷物體中心點(diǎn)是否落在中心區(qū)域來(lái)過(guò)濾掉大量誤檢候選區(qū)域,同時(shí)舍棄了 CornerNet 中采取的角點(diǎn)關(guān)鍵點(diǎn)結(jié)合的方式,采用二階段的方式,將保留下來(lái)的候選區(qū)域送入多元分類(lèi)器進(jìn)行分類(lèi)與回歸。

        通過(guò)以上兩個(gè)階段,本文網(wǎng)絡(luò)模型檢測(cè)的查全率和準(zhǔn)確率均有顯著提高,其結(jié)果也優(yōu)于大多數(shù)現(xiàn)有目標(biāo)檢測(cè)方法,在召回率與檢測(cè)精度上都取得了良好的表現(xiàn)。最重要的是,基于無(wú)錨框的方法在提取候選區(qū)域時(shí)更加靈活,克服了基于錨框方法需人為設(shè)置錨框超參數(shù)的缺點(diǎn)。

        猜你喜歡
        關(guān)鍵點(diǎn)區(qū)域檢測(cè)
        聚焦金屬關(guān)鍵點(diǎn)
        肉兔育肥抓好七個(gè)關(guān)鍵點(diǎn)
        “不等式”檢測(cè)題
        “一元一次不等式”檢測(cè)題
        “一元一次不等式組”檢測(cè)題
        小波變換在PCB缺陷檢測(cè)中的應(yīng)用
        關(guān)于四色猜想
        分區(qū)域
        基于嚴(yán)重區(qū)域的多PCC點(diǎn)暫降頻次估計(jì)
        醫(yī)聯(lián)體要把握三個(gè)關(guān)鍵點(diǎn)
        狠狠色成人综合网| 中文字幕亚洲入口久久| 免费国产自拍在线观看| 97人人超碰国产精品最新| 亚洲V日韩V精品v无码专区小说| 亚洲欧美国产精品久久久| 综合激情五月三开心五月| 亚洲av成人无码一二三在线观看| 日日碰狠狠躁久久躁| 神马不卡一区二区三级| 精品人妻一区二区三区不卡毛片| 亚洲欧洲日产国码av系列天堂 | 日日噜噜夜夜狠狠2021| 亚洲欧美日韩在线精品2021| 男人的天堂av你懂得| 免费国产黄网站在线观看视频| 国产精品jizz在线观看老狼| 国产午夜亚洲精品一级在线| 日韩中文字幕在线丰满| 亚洲av午夜福利精品一区| 成年女人毛片免费视频| 免费人人av看| 亚洲熟女一区二区三区250p| 99久久精品午夜一区二区| 在线精品免费观看| 蜜桃av噜噜一区二区三区免费| 亚洲中文字幕av天堂自拍| 男人添女人下部高潮全视频| 一区二区免费电影| 丝袜美腿在线观看视频| 欧美成人看片一区二区三区尤物| 八区精品色欲人妻综合网| 粉嫩av一区二区在线观看| 亚洲毛片在线免费视频| 国产精品_国产精品_k频道w| 亚洲 欧美 激情 小说 另类| 国产一区二区三区免费视| 一二三四日本中文在线| 不卡视频一区二区三区| 国产精品天堂在线观看| 很黄很色很污18禁免费|