YoloV5+CARAFE:基于YoloV5+CARAFE的小目标检测算法训练

特征上采样是许多现代卷积网络架构(例如特征金字塔)中的关键操作。其设计对于密集预测任务(如对象检测和语义/实例分割)至关重要。在这项工作中,我们提出了FEatures的内容感知重新组装(CARAFE),这是一个通用、轻量级和高效的运营商来实现这一目标。CARAFE有几个吸引人的特性:(1)大视场。与以往仅利用亚像素邻域的工作(如双线性插值)不同,CARAFE可以在大的接受域内聚集上下文信息。(2) 内容感知处理。CARAFE不是对所有样本使用固定内核(例如反褶积),而是支持特定实例内容感知处理,动态生成自适应内核。(3) 重量轻,计算速度快。CARAFE引入了很少的计算开销,并且可以容易地集成到现代网络架构中。我们对标准基准进行全面评估在对象检测、实例/语义分割和绘画中。CARAFE显示了所有任务(分别为1.2%AP、1.3%AP、1.8%mIoU、1.1dB)的一致性和实质性增益,计算开销可忽略不计。它具有巨大的潜力,可以作为未来的研究方向。

YoloV5+CARAFE:基于YoloV5+CARAFE的小目标检测算法训练_第1张图片

 

 github源码:

https: //github.com/open-mmlab/mmdetect

你可能感兴趣的:(TensorRT+深度学习,目标检测,算法,深度学习,YoloV5,TensorRT)