目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
来源:互联网 发布:网络 克隆 编辑:程序博客网 时间:2024/06/05 04:21
如何训练一个目标检测器,对遮挡和形变鲁棒,目前的主要方法是增加不同情况的图像数据,但这些数据有时又特别少。作者提出使用对抗生成有遮挡或形变的样本,这些样本对检测器来说比较困难,使用这些困难的正样本训练可以增加检测器的鲁棒性。与Fast-RCNN比较,在VOC2007上,mAP增加了2.3%,VOC2012上增加了2.6%。
不同遮挡或形变的物体如下图所示:
Fast-RCNN检测器损失函数有两项,softmax对类别的损失和回归对bbox的损失。对抗网络主要学习导致检测器检测失败的特征,损失函数为:
若对抗网络生成的特征对检测器来说易识别,则对抗网络的损失比较大,反之较低。
对抗网络设计
使用对抗网络生成有遮挡和有形变的两种特征,两种网络为ASDN和ASTN。
ASDN
FAST-RCNN中RoI-池化层之后的每个目标proposal卷积特征作为对抗网络的输入,给定一个目标的特征,ASDN尝试生成特征某些部分被dropout的掩码,导致检测器无法识别该物体。
ASDN网络初始化
给定尺寸大小为
经过学习,网络可以学习到特征的哪些部分对分类来说比较重要,如下图所示:
联合训练
在前向传播过程中,首先使用ASDN在RoI-池化层之后生成特征掩码,然后使用重要性采样法生成二值掩码,使用该掩码将特征对应部位值清零,修改后的特征继续前向传播计算损失。这个过程生成了困难的特征,用于训练检测器。训练过程流程图如下所示:
ASTN
1.STN回顾
STN网络包含三部分:定位网络,网格生成器,采样器。定位网络估计出形变的参数(旋转角度、平移距离和缩放因子)。这三个参数作为后两部分的输入,输出是形变后的特征图。论文主要学习定位网络的三个参数。
2.ASTN
主要关注特征旋转,定位网络包含三层全连接层,前两层是ImageNet预训练的fc6和fc7,训练过程与ASDN类似,ASTN对特征进行形变,是的ASTN将正样本识别成负样本。将特征图划分为4个block,每个block估计四个方向的旋转,增加了任务的复杂度。
两种对抗网络可以相结合,使得检测器更鲁棒,RoI-池化层提取的特征首先传入ASDN丢弃一些激活,之后使用ASTN对特征进行形变,如下图所示:
实验结果
使用了对抗网络,每一类检测和分类的影响:
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN: Hard positive generation via adversary for object detection
- 阅读小结:A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- [论文笔记]A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 笔记
- 【目标检测】Object Detection Fast RCNN 算法解析
- 基于深度学习的目标检测(object detection)—— rcnn、fast-rcnn、faster-rcnn
- 目标检测--A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
- 嵌入式目标检测--Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection
- 【目标检测】Object Detection RCNN算法解析
- 目标检测“A MultiPath Network for Object Detection”
- 【深度学习:目标检测】 RCNN学习笔记(11):R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 【object detection】fast rcnn笔记
- 【目标检测】Object Detection Faster RCNN算法解析
- 自由职业者不孤单|魔都每8名青年中,就有1名是自由职业/创业者
- 二叉树遍历问题(前序,中序,后序)
- ZOJ1586 QS Network
- Golang根据获取当前日期的月份起始
- ViewPager.setPagerTransformer设置各种翻滚动画效果
- 目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
- [FFmpeg] ffmpeg 常用命令
- dell inspiron
- 构造器和this关键字
- 删除SVN文件 Delete SVN Folders.reg
- Connection
- 逻辑回归(Logistic Regression)
- iOS 模拟器报错copypng emitted errors but did not return a nonzero exit code to indicate failure
- Android性能优化-内存泄漏