目标检测中的特征融合技术(YOLO v4)(下)
发布时间
阅读量：
阅读量
在目标检测领域的特征融合算法（YOLO v4）（下）
ASFF：一种自适应特征融合技术
ASFF源自论文《Learning Spatial Fusion for Single-Shot Object Detection》，也可称为知名的技术方案。
FPN常被用来应对目标检测中的尺度变化问题，然而，在基于FPN的一级检测器中，由于各层特征尺度间存在不一致性，这成为其主要局限。为此，本文提出了一种基于数据驱动的新金字塔特征融合方法，并命名为自适应空间特征融合（ASFF）。该方法通过在空间域内学习一种能够抑制梯度回传过程中出现冲突而导致不稳定性的机制，在提升目标检测的尺度不变性的同时，显著降低了推理开销。具体而言，通过采用ASFF策略并基于可靠实现的YOLOv3 Baseline，我们在COCO基准数据集上取得了平均帧率45FPS、精度-召回率点数为42.4%的优异结果；同时在另一个评估指标下达到29FPS和43.9%AP。
ASFF的核心理念在于：传统的FPN加法模式被改进为在基础加法架构上增加了可学习的权重参数；这些系数能够通过自监督学习机制动态调整权重分配，并与传统全连接层的效果相似。
还没有任何评论哟~