多尺度问题怎么解决？

海淀区藤原拓海 2021-08-19 11:09:07

多尺度问题怎么解决？

...全文

1784 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

weixin_38498942 2021-08-19

打赏
举报

回复

最常见的是Upsample来Rezie网络输入图像的大小

1）为对抗多尺度问题网络的图像输入，应该不拘泥于尺寸大小的才对，这是个朴素的想法。卷积操作对输入尺寸是无必须要求的，任意尺寸均可。但是如果加上全连接层，该层必须要求是固定尺寸的输入，那么问题就来了。怎么才能解决这种问题。 a) 将全连接去掉，对最后的feature-map做[1x1]的max-pooling，直接加softmax。这篇文章里[]，就是这么干的。 b) 在featur...

论文题目：An Analysis of Scale Invariance in Object Detection – SNIP 链接：https://arxiv.org/pdf/1711.08189.pdf 一、作者试图解决什么问题？答：这个工作是一种模型训练 trick，主要在 augmentation 环节使用。解决检测问题中，待检测的目标尺寸差别太大（小目标与大目标同时存在）的问题。常用的方法与问题：对图像进行多尺度的缩放或者扩展，这种方式问题是每一张图会生成很多张图，计算量堪忧；而.

在阅读文献中，通常会遇到一个名词，“XX用来解决多尺度问题”。多尺度问题是什么意思？目标检测中，我们希望对于输入图片，不管图片中某个目标或大或小，我们都需要将其识别。对于小物体，我们可以将其理解为两种方式：一种是绝对小物体，即它本身占的像素就比较小。一种是相对小物体，即相对于整个输入图片，所占比例偏小。正如在深度学习中，我们会用卷积层，池化层等来提取特征，而这些网络层对于小尺度物体的检测是不友好。在下采样中，一般情况下下采样会达到十几倍甚至更高。假如某个小尺度物体的的像素是15*15，下采样率达

最近在学sift算法时有一个疑问就是，为什么只有高斯滤波器就是建立线性尺度空间的最优滤波器呢？那其他带有参数t的低通滤波器是否也可以用来生成一个尺度空间呢？

《Feature Pyramid Networks for Object Detection》这篇论文主要解决的问题是目标检测在处理多尺度变化问题是的不足，现在的很多网络都使用了利用单个高层特征(比如说Faster R-CNN利用下采样四倍的卷积层——Conv4，进行后续的物体的分类和bounding box的回归)，但是这样做有一个明显的缺陷，即小物体本身具有的像素信息较少，在下采样的过程中极易被丢失，为了处理这种物体大小差异十分明显的检测问题，经典的方法是利用图像金字塔的方式进行多尺度变化增强，但这样会

高通开发者论坛

2,853

社区成员

5,760

社区内容

发帖

与我相关

我的任务

人工智能物联网机器学习技术论坛（原bbs）北京·东城区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章