AI 助理
备案控制台
开发者社区 人工智能 文章 正文

Sparse R-CNN升级版 | Dynamic Sparse R-CNN使用ResNet50也能达到47.2AP（二）

2023-05-24 106
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Sparse R-CNN升级版 | Dynamic Sparse R-CNN使用ResNet50也能达到47.2AP（二）

4实验

4.1 消融实验

1、不同匹配器的影响

如表3所示，具有固定k值(k=2,3)的OTA匹配器与Baseline相比，AP的提升率为0.9% AP。在动态k估计中使用q=8的OTA匹配器增加了1.1% AP，这证明了使用动态k的有效性。

units增加策略进一步将AP提高到46.7% AP，说明这种简单的设计是有效的。

此外，具有q=8和units增加策略的OTA匹配器 AP75和APs都增加了近3个百分点。可见动态多对一匹配方案产生了更多样化的预测框选项，以匹配Ground truth。该方案特别适用于对小物体的检测。

2、q的影响

如表4所示，在Dynamic k Estimation中尝试了q的不同选择，发现q=8效果最好。值得注意的是，表4中的所有结果都优于一对一匹配(45.0%)，这验证了动态多对一匹配方案的有效性。

3、Experts数量的影响

如表5所示尝试了不同数量的Experts，并在该方法中使用4个Experts作为默认值可以得到最好的性能。

4、可视化

图4可视化了通过Dynamic Sparse R-CNN进行的采样检测结果。Dynamic Sparse R-CNN可以正确地检测不同尺度、外观等的目标。

4.2 SOTA对比


5参考

[1].Dynamic Sparse R-CNN


6推荐阅读

CVPR2022 Oral | CosFace、ArcFace的大统一升级,AdaFace解决低质量图像人脸识

NAS-ViT | 超低FLOPs与Params实现50FPS的CPU推理，精度却超越ResNet50！！！

CV全新范式 | LSTM在CV领域杀出一条血路，完美超越Swin与ConvNeXt等前沿算法

文章标签：
计算机视觉
机器学习/深度学习
数据可视化
算法
关键词：
sparse CNN
CNN resnet
CNN r-cnn
r-cnn CNN resnet
dynamic CNN
5i77ajz5u7ji6
目录
相关文章
5i77ajz5u7ji6
|
7月前
|
机器学习/深度学习 编解码 数据可视化
RecursiveDet | 超越Sparse RCNN，完全端到端目标检测的新曙光
RecursiveDet | 超越Sparse RCNN，完全端到端目标检测的新曙光
5i77ajz5u7ji6
130 0
热烈的马
|
7月前
|
机器学习/深度学习 并行计算 算法
【计算机视觉+CNN】keras+ResNet残差网络实现图像识别分类实战（附源码和数据集 超详细）
【计算机视觉+CNN】keras+ResNet残差网络实现图像识别分类实战（附源码和数据集 超详细）
热烈的马
227 0
冷冻工厂
|
机器学习/深度学习 编解码 缓存
两阶段目标检测指南：R-CNN、FPN、Mask R-CNN
两阶段目标检测指南：R-CNN、FPN、Mask R-CNN
冷冻工厂
218 0
5i77ajz5u7ji6
|
算法 计算机视觉 索引
目标检测改进 | 如何使用IOU改进自注意力以提升Sparse RCNN目标检测性能（二）
目标检测改进 | 如何使用IOU改进自注意力以提升Sparse RCNN目标检测性能（二）
5i77ajz5u7ji6
363 0
5i77ajz5u7ji6
|
机器学习/深度学习 固态存储 计算机视觉
目标检测改进 | 如何使用IOU改进自注意力以提升Sparse RCNN目标检测性能（一）
目标检测改进 | 如何使用IOU改进自注意力以提升Sparse RCNN目标检测性能（一）
5i77ajz5u7ji6
160 0
5i77ajz5u7ji6
|
C++
ResNet50上天 | DDQ改进Sparse RCNN让ResNet50在coco上来到了49.8的AP（二）
ResNet50上天 | DDQ改进Sparse RCNN让ResNet50在coco上来到了49.8的AP（二）
5i77ajz5u7ji6
138 0
5i77ajz5u7ji6
|
机器学习/深度学习 算法 计算机视觉
ResNet50上天 | DDQ改进Sparse RCNN让ResNet50在coco上来到了49.8的AP（一）
ResNet50上天 | DDQ改进Sparse RCNN让ResNet50在coco上来到了49.8的AP（一）
5i77ajz5u7ji6
188 0
5i77ajz5u7ji6
|
机器学习/深度学习 数据可视化 Serverless
Sparse RCNN再升级 | ResNet50在不需要NMS和二分匹配的情况下达到48.1AP
Sparse RCNN再升级 | ResNet50在不需要NMS和二分匹配的情况下达到48.1AP
5i77ajz5u7ji6
187 0
游客nmbcre4jd7shs
|
22天前
|
机器学习/深度学习 人工智能 自然语言处理
深入理解深度学习中的卷积神经网络（CNN）##
在当今的人工智能领域，深度学习已成为推动技术革新的核心力量之一。其中，卷积神经网络（CNN）作为深度学习的一个重要分支，因其在图像和视频处理方面的卓越性能而备受关注。本文旨在深入探讨CNN的基本原理、结构及其在实际应用中的表现，为读者提供一个全面了解CNN的窗口。 ##
游客nmbcre4jd7shs
69 3
shuj
|
1月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的卷积神经网络（CNN）： 从理论到实践
本文将深入浅出地介绍卷积神经网络（CNN）的工作原理，并带领读者通过一个简单的图像分类项目，实现从理论到代码的转变。我们将探索CNN如何识别和处理图像数据，并通过实例展示如何训练一个有效的CNN模型。无论你是深度学习领域的新手还是希望扩展你的技术栈，这篇文章都将为你提供宝贵的知识和技能。
shuj
188 7

热门文章

最新文章

  • 1
    深入理解深度学习中的卷积神经网络（CNN）##
  • 2
    深入理解深度学习中的卷积神经网络（CNN）
  • 3
    基于贝叶斯优化CNN-GRU网络的数据分类识别算法matlab仿真
  • 4
    【AI系统】轻量级CNN模型综述
  • 5
    深入理解深度学习中的卷积神经网络（CNN）
  • 6
    倚天产品介绍|倚天性能优化—YCL AI计算库在resnet50上的优化
  • 7
    图像分类经典神经网络大总结（AlexNet、VGG 、GoogLeNet 、ResNet、 DenseNet、SENet、ResNeXt ）
  • 8
    深度学习第19讲：CNN经典论文研读之残差网络ResNet及其keras实现
  • 9
    【论文泛读】 ResNeXt：深度神经网络的聚合残差变换（ResNet的改进，提出了一种新的维度）
  • 10
    倚天性能优化—YCL AI计算库在resnet50上的优化
  • 1
    使用Python实现卷积神经网络（CNN）
    551
  • 2
    基于WOA优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
    115
  • 3
    基于WOA优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
    97
  • 4
    【AI 初识】什么是卷积神经网络 （CNN）？
    150
  • 5
    深度学习中的卷积神经网络（CNN）详解
    443
  • 6
    【Python机器学习专栏】卷积神经网络（CNN）的原理与应用
    126
  • 7
    基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
    148
  • 8
    TensorFlow 2keras开发深度学习模型实例：多层感知器（MLP），卷积神经网络（CNN）和递归神经网络（RNN）
    86
  • 9
    【视频】少样本图像分类？迁移学习、自监督学习理论和R语言CNN深度学习卷积神经网络实例
    117
  • 10
    揭秘卷积神经网络 (CNN)：深度学习的视觉巨匠
    343

    • 相关电子书

    更多
  • 利⽤CNN实现⽆需联⽹的图像识别
  • 低代码开发师（初级）实战教程
  • 阿里巴巴DevOps 最佳实践手册
    • 下一篇
    手把手教你白嫖阿里云服务器(免费领服务器)