PANet的相关知识点有哪些

发布时间:2022-01-14 16:35:43 作者:iii
来源:亿速云 阅读:117

这篇文章主要介绍“PANet的相关知识点有哪些”,在日常操作中,相信很多人在PANet的相关知识点有哪些问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”PANet的相关知识点有哪些”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!

一、PANet 整体描述

PANet 是基于Mask R-CNN进行改进后的网络,改进的三个点分别为:

  1. 原始 Mask R-CNN 没有很好地利用低层信息。高层的 Feature maps 关注物体整体,低层的 Feature maps 关注物体的纹理图案。使用低层的信息可以对物体进行更好地定位。对此 PANet 增加了 Bottom-up Path Augmentation(整体结构图中的b. ),将低层的信息又传导到高层中去,同时减少了高层到低层的信息流通需要穿过的卷积层数。

  2. 原 RoI Pooling 只在最后一层上提取信息,而 PANet 则使用Adaptive Feature Pooling(AFP,整体结构图中的 c.)同时对多个层级进行 RoI Pooling ,将多层级的信息整合后进行预测。

  3. 最终的 Mask 预测分支融合了 FCN 式的预测和 fully-connected 式的预测,前者关注局部,后者关注整体Context信息,从而提升最终 Mask 的质量。

下图是PANet的整体结构:

PANet的相关知识点有哪些

绿色的虚线表示PANet增加 b. 后,高层信息和输入之间跨越的卷积层数更少了,对比红色虚线可能要经过上百个卷积层(参见ResNet Block1~4),信息流通更顺畅。

二、各关键点详细描述

1、Bottom-up Path Augmentation

整体结构图中 N2=P2,N3~N5 都是通过下面的卷积结构计算得来。

PANet的相关知识点有哪些

2、Adaptive Feature Pooling

在 FPN 中,不同大小的物体被分给不同的层,比如最小的分给P2,最大的分给P5。这个处理方式很简单有效,但不一定得到最佳的结果,例如大小相差10像素的物体可能就被分到不同的层上了。为了得到更优的结果,PANet 索性将每个Proposal 在N2~N5对应区域(结构图b. 灰色区域)的特征都用上,具体使用方法为:

1、使用 RoIAlign 对其进行提取得到 4 组相同shape的特征图。

2、对4组特征进行融合,可以是sum、max、product。

3、使用融合后的特征图进行分类、bbox预测、mask预测。

上述过程在bbox分支和mask分支上执行时有所不同:

bbox分支

如下图所示,bbox分支的具体AFP计算过程如下:

1、先RoIAlign得到等尺寸的4个Feature map

2、使用同一个全连接层对4个 Feature map 分别计算

3、将4组特征进行融合

4、再用一个全连接层计算得到分类和bbox回归的结果。

PANet的相关知识点有哪些

mask分支

mask 分支有4个卷积层,特征融合操作在conv1后进行,具体计算过程如下:

1、先RoIAlign得到等尺寸的4个Feature map

2、使用conv1对4个 Feature map 分别计算

3、将4组特征进行融合

4、使用融合后的特征进行计算后得到最终的mask预测结果。

PANet的相关知识点有哪些

在AFP中还有个细节:

特征融合应该使用哪一种操作?经过试验验证,使用 max 进行特征融合效果较好。

PANet的相关知识点有哪些

AFP是否真的有效呢?论文中使用max作为融合函数后分析发现,对于原本应该分别分配给N2~N5(对应下图level1~4)的 proposals,max函数提取到的特征其实大多数都不来自本层,例如level4(N5)只用到了来自level4 40%的特征,也就是说,通过AFP使得模型在预测时综合利用了N2~N5的特征,而最后的实验结果表明这的确带来了不少提高。

PANet的相关知识点有哪些

3、Mask 分支 FCN+Fully-connected 的融合

在 FCN 和 Fully-connected 的融合上,需要确定 Fully-connected 层选择哪一层进行输入,以及如何将二者的结果进行融合。通过实验发现,conv3作为 Fully-connected 层的输入、sum作为融合函数效果较好。

PANet的相关知识点有哪些
PANet的相关知识点有哪些

4、其它细节

对于多尺度训练,设置长边为1400,其他的在400-1400之间。

对于多GPU同步BN, 在一个batch前计算所有样本的均值和方差,一起更新,而不是batch里面一张一张更新。

heavier head,与 RetinaNet 类似使用4个连续的 3×3 卷积而不是使用fc层,不同的是box分类和box回归参数共享。

PANet的相关知识点有哪些

Multi-scale Training & Multi-GPU Sync. BN 这两个技术帮助网络收敛的更好,泛化能力更强。

Bottom-up Path Augmentation 无论是否使用自适应池化卷积。自下而上增强路径提高了预测mask的表现。这验证了低层特征信息的有效性。

Adaptive Feature Pooling 无论是否使用自下而上的增强路径。自适应池化滤波都不断提升性能。其他层的特征对最终预测是有用的。

Fully-connected Fusion:全连接融合目的是提高mask预测的质量。这对于所有尺度都适用。

Heavier Head:对于bbox训练非常有效,对于mask预测效果一般。

三、PANet 结果展示

PANet的相关知识点有哪些
PANet的相关知识点有哪些

到此,关于“PANet的相关知识点有哪些”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!

推荐阅读:
  1. JVM相关的知识点有哪些
  2. React的相关知识点有哪些

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

panet

上一篇:MySQL6.0新增特性有哪些

下一篇:springboot整合quartz定时任务框架的方法是什么

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》