https://blog.csdn.net/dujuancao11/article/details/123488248

以下仅仅摘出解决分类回归问题的相关内容。

3. 提出的方法

提出的PAM生成对分类和回归敏感的解耦特征。

通过R-ARM进行锚定细化，以基于关键回归特征获得高质量的候选旋转。

通过DAL策略，动态选择捕捉关键特征的锚定作为训练的正样本。

这样可以减少分类和回归之间的不一致性，从而有效地提高检测性能。

A. Polarization Attention Module（PAM）

PAM橙色块

为了避免不同任务之间的特征干扰，有效地提取特定任务的关键特征，我们提出了极化注意模块（PAM）。PAM的整体结构如图4所示。

我们为不同的任务构建不同的特征金字塔，称为双FPN。

采用设计良好的极化注意机制来增强特征的表示能力。通过极化函数，不同的分支生成各自任务所需的鉴别特征。

给定输入特征F∈ $R^{C\times H\times W}$ ，我们构建任务敏感特性如下：

$\bigotimes$ 和 $\bigodot$ 分别表示张量积和元素乘法。σ表示sigmoid函数。

通过卷积运算从输入特征中提取通道注意图 $M_{c}$ 和空间注意图 $M_{s}$ 。

（1）通道注意的目的是提取特征地图的通道关系。通过全局平均池和完全连接层提取每个通道的权重，如下所示：

其中，从输入特性F全局平均池获得，W0和W1表示完全连接层的权重。σ表示sigmoid函数。

（2）空间注意被用来建模输入图像像素之间的依赖关系。计算如下：

其中表示3×3滤波器的卷积，分别表示不同核大小的扩张卷积。cat表示特征的串联。这里采用扩张卷积来扩展卷积核的感受野。同时，采用不同纵横比的卷积核来更好地检测船舶和桥梁等细长物体。

（3）将两个注意力图相乘，得到特定任务的注意力反应图M。在此基础上，我们进一步通过特定于任务的极化函数ψ（·）构建了强大的任务敏感关键特征表示。

对于分类，期望特征更多地关注特征图上的高响应部分，而忽略可能用于定位或可能带来干扰噪声的不太重要的线索部分。我们使用以下激励功能来实现该功能：

回归分支，关键特征往往分散在对象的边缘。我们期望特征图关注尽可能多的视觉线索来进行对象定位，例如对象轮廓和上下文信息。为此，我们使用了以下不同于分类任务的方法，对一小块物体边缘的强烈反应不利于定位整个物体。在等式（5）中，抑制函数抑制回归特征中具有高响应的区域，这迫使模型寻找潜在的视觉线索以实现精确定位。极化函数ψ（·）的曲线如图4所示。

最后，将极化注意加权特征与原始特征金字塔相结合，更好地提取关键特征。如式（1）所述，注意力加权特征、输入特征SF和注意力响应映射通过元素求和进行合并，以获得用于精确目标检测的强大特征表示。

该PAM通过优化关键特征的表示，极大地提高了检测性能。可解释的可视化结果如图5所示。

可以看出，PAM可以有效地提取不同任务所需的关键特性。
例如，提取的回归临界特征均匀分布在目标上，这有助于识别目标边界并准确定位目标。
分类关键特征更多地集中在对象最可识别的部分，以避免来自对象其他部分的干扰，从而使分类结果更准确。

B. 旋转锚框精炼模块

图6。R-ARM模块的图示。A表示在特征图的每个位置预设的锚数量，在CFC网络中设置为1。

R-ARM的架构如图6所示。

我们在特征地图的每个位置预先设置了初始水平锚定，表示为（x，y，w，h）。

R-ARM 对附加角度θ和先前锚的框偏移进行回归，得到旋转锚，表示为（x，y，w，h，θ）。R-ARM使锚能够生成精确的旋转框，这些旋转框与ground-truth物体对齐，同时有助于捕捉后续探测层的更关键特征。

具体来说，我们预测锚定细化的偏移量str=（tx，ty，tw，th，tθ），如下所示：

图片说明

C. 动态锚定学习

图7。使用输入IoU进行标签分配的锚的分类和回归能力分析

不想粘贴了，看我的第一篇吧，数学层面有点难，后续略【论文阅读】CFC-Net 关键特征捕获网络_Clark-dj的博客-CSDN博客

【论文小结】CFC 分类回归不一致问题相关推荐

【论文阅读】目标检测中的分类回归特征解耦
论文来源:知网以下仅仅是学习过程中的部分笔记,用作自己复习. 摘要 ..... 目标检测不仅需要判别图像中存在的目标的类别,还需要回归目标在图像中的位置. 特征耦合具体表现:分类和回归部分的网络共享 ...
Py之scikit-learn：机器学习sklearn库的简介、六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类)、安装、使用方法(实际问题中如何选择最合适的机器学习算法)之详细攻略
Py之scikit-learn:机器学习sklearn库的简介(组件/版本迭代).六大基本功能介绍(数据预处理/数据降维/模型选择/分类/回归/聚类).安装.使用方法(实际问题中如何选择最合适的机器学 ...
定点浮点神经网络量化_神经网络模型量化论文小结
神经网络模型量化论文小结发布时间:2018-07-22 13:25, 浏览次数:278 现在"边缘计算"越来越重要,真正能落地的算法才是有竞争力的算法.随着卷积神经网络模型堆叠的 ...
CART树（分类回归树）
传送门决策树算法原理(ID3,C4.5) CART回归树决策树的剪枝在决策树算法原理(ID3,C4.5)中,提到C4.5的不足,比如模型是用较为复杂的熵来度量,使用了相对较为复杂的多叉树,只能处 ...
【ECCV2016论文速读】回归框架下的人脸对齐和三维重建
本文来源微信公众号:深度学习大讲堂,已授权发布. 作者:刘峰,四川大学计算机学院生物特征识别实验室博士三年级学生,导师游志胜教授.赵启军博士.研究方向为机器学习与模式识别(三维人脸建模与识别.二维人脸 ...
CART决策树（分类回归树）分析及应用建模
一.CART决策树模型概述(Classification And Regression Trees) 决策树是使用类似于一棵树的结构来表示类的划分,树的构建可以看成是变量(属性)选择的过程,内部节 ...
机器学习系列之手把手教你实现一个分类回归树
https://www.ibm.com/developerworks/cn/analytics/library/machine-learning-hands-on5-cart-tree/index.h ...
AI：神经网络调参(数据、层数、batch大小，学习率+激活函数+正则化+分类/回归)并进行结果可视化
AI:神经网络调参(数据.层数.batch大小,学习率+激活函数+正则化+分类/回归)并进行结果可视化目录神经网络调参(数据.层数.batch大小,学习率+激活函数+正则化+分类/回归)并进行结果 ...
Paper之Algorithms：国内外Algorithms高质量论文、CUMCM分类推荐(建议收藏，持续更新)
Paper之Algorithms:国内外Algorithms高质量论文.CUMCM分类推荐(建议收藏,持续更新) 目录国内Algorithms论文集合国外Algorithms论文集合 CUMCM数 ...

【论文小结】CFC 分类回归不一致问题

3. 提出的方法

A. Polarization Attention Module（PAM）

B. 旋转锚框精炼模块

C. 动态锚定学习

【论文小结】CFC 分类回归不一致问题相关推荐

最新文章

热门文章