精华内容
下载资源
问答
  • 主要是单尺度多尺度retinex的matlab实现程序 ,带有注释。
  • 多尺度及图像特征

    2012-10-28 16:50:52
    对图像多尺度的概念,多尺度表达和理论基础做了总结,以及图像的相关特征。
  • 目标检测中的多尺度特征

    千次阅读 2020-11-06 22:31:30
    特征金字塔(feature pyramid)2.1 直接的多尺度特征预测2.2 多尺度特征融合+单尺度特征预测2.3 多尺度特征融合+多尺度特征预测 目标检测中最具挑战性的问题就是目标的尺度变化问题(scale variance)。在目标检测...

    • 目标检测中最具挑战性的问题就是目标的尺度变化问题(scale variance)。在目标检测中,物体的形状和尺寸大小不一,甚至可能出现一些极小、极大或者极端形状(如细长型、窄高型等)的物体,这就给目标的准确识别和精准定位带来了极大困难。
    • 现有的针对目标尺寸变化问题而提出的算法中,较为有效的算法主要有图像金字塔和特征金字塔,这两者的共同思想就是利用多尺度特征来检测不同尺寸的物体。

    1. 图像金字塔(image pyramid)

    • 图像金字塔是指将图像缩放至不同分辨率,并用同一个CNN对不同分辨率的图像来提取不同尺寸的特征。由于CNN网络的感受野大小是固定的,那么不同尺寸的特征图就可以关注不同区域的图像:高分辨率特征图在高分辨图像中的感受野区域更接近小物体,所以高分辨率图像更适合检测小物体,同理,低分辨率图像只适合检测小物体。因此,图像金字塔能有效解决目标尺度变化问题,有效提高目标检测性能
      在这里插入图片描述

    1.1 多尺度训练/测试(multi-scale training/testing)

    • 现阶段的目标检测网络通常允许任意大小的输入(比如全卷积网络或RoI pooling),所以可以使用多尺度训练,提高检测器对目标尺度变化的鲁棒性。在测试阶段使用多尺度测试时,检测器会选择更加合适的大小的物体,从而提高对不同尺寸目标的检测准确度,但是多尺度测试会使检测时间成倍增加。

    1.2 SNIP(Scale Normalization for Image Pyramids)

    • SNIP通过实验发现,当目标的尺寸在合适范围内,且目标的形状较多时,检测器具有更好的性能。SNIP借助图像金字塔,只训练和测试合适大小的物体,从而提高了目标检测的准确度。SNIP的2个创新点为:为减小domain-shift,在梯度回传时只将和预训练模型所基于的训练数据尺寸相对应的RoI的梯度进行回传;为保证满足要求的RoI的数量和种类足够多,借鉴多尺度训练的思想,引入图像金字塔来处理数据集中的不同尺寸的数据。

    2. 特征金字塔(feature pyramid)

    • 图像金字塔来测试时带来的时间损耗是非常大的,每个不同分辨率的输入图像都要通过同一个CNN,这个过程存在着大量的冗余计算,为解决此问题,研究人员提出了特征金字塔,即输入单一分辨率图像,得到不同分辨率的特征图,而如何获取并利用这些多尺度特征图,则有非常多的方法。总的来说,可以分为以下几类。
    1. 直接的多尺度特征预测,如SSD,MSCNN,DSOD;
    2. 多尺度特征融合+单尺度特征预测,如ION,HyperNet,TDM,YOLOv2;
    3. 多尺度特征融合+多尺度特征预测,如RON,FPN,ZIP,DSSD,STDN,PANet,MLFPN,NAS-FPN,BiFPN。

    2.1 直接的多尺度特征预测

    • 直接的多尺度特征预测的网络结构简图如下所示,即,直接利用网络中不同分辨率的特征图来检测不同大小的物体,分辨率较高的浅层特征图由于具有丰富的细节信息和较小的感受野,适合用来检测小物体;分辨率较低的深层特征图由于具有较强的语义信息和较大的感受野,适合用来检测大物体。但由于浅层特征的语义信息不够强,所以对小物体的检测效果还不够好。
      在这里插入图片描述

    • SSD直接在backbone network后添加多个卷积层,并直接在不同大小的特征图上预测。而DSOD同样延续了这一做法。
      在这里插入图片描述

    • MSCNN同样是直接在不同尺寸的特征图上预测,但MSCNN在每个特征图后加入反卷积,增大了特征的分辨率。
      在这里插入图片描述

    2.2 多尺度特征融合+单尺度特征预测

    • 为增强低分辨特征图的语义信息和高分辨率特征图的细节信息,通常的做法是将高低分辨率特征图进行特征融合,得到同时具有强语义信息和丰富位置信息的单一分辨率特征图,并在该特征图上预测。但这类算法在多尺度特征融合方式上各有不同。
    • ION使用skip pooling进行多尺度特征融合
      在这里插入图片描述
    • HyperNet的多尺度特征融合方式如下:小尺寸特征用max pooling做下采样,大尺寸特征用反卷积做上采样,最后直接将多个特征按通道数concatenate成单尺度特征。
      在这里插入图片描述
    • TDM则由深到浅逐渐将相邻层聚合起来
      在这里插入图片描述在这里插入图片描述

    2.3 多尺度特征融合+多尺度特征预测

    • 目的是使不同分辨率的特征同时具有较强的语义信息和丰富的位置信息。

    • FPN通过引入多尺度特征融合,并进行多尺度特征预测,减小了目标尺寸变化的影响,大大提高了目标检测的准确度。在相邻特征层融合时,FPN采用的上采样方式是双线性插值,特征叠加方式为逐元素相加。
      在这里插入图片描述

    • DSSD则通过反卷积进行特征上采样,而特征叠加方式为逐元素相乘
      在这里插入图片描述

    • RON的上采样方式是反卷积,特征叠加方式为逐元素相加
      在这里插入图片描述

    • STDN在得到一系列相同分辨率的特征图后,用平均池化做下采用,用超分辨率转化做上采样。多尺度特征融合体现在其骨干网络DenseNet中
      在这里插入图片描述

    • PANet则在FPN的基础上再添加一条bottom-up通道,目的是进一步融合信息,使高分辨率图像也具有较强的语义信息。

    • NAS-FPN则采用网络结构搜索的方法,得出新的特征融合模块,然后重复使用该模块。

    • BiFPN则构建了带有自学习权重的特征融合模块BiFPN layer,然后重复使用该模块。
      在这里插入图片描述

    • MLFPN则经过特征融合后得到多尺度多层级的特征图。
      在这里插入图片描述

    展开全文
  • 多尺度 理解

    万次阅读 多人点赞 2018-09-13 09:49:12
    1. 比如有一幅图像,里面有房子有...2. 或者,例如在进行卷积时,如图(随便截的图),分别提取出第三、四、五层卷积得到的特征图,然后将他们缩放到同一尺寸,也是一种多尺度的表现。其中越深的卷积层提取出的特征...

    1. 比如有一幅图像,里面有房子有车有人,在这整张图上提取特征,提取的是全局的特征;现在,截取图像的一部分,比如截取汽车的部分,并将其放大至与原图相同的尺寸,在此时截取后放大的图上提取特征,提取的是整幅图像中某一部分的详细特征。

    2. 或者,例如在进行卷积时,如图(随便截的图),分别提取出第三、四、五层卷积得到的特征图,然后将他们缩放到同一尺寸,也是一种多尺度的表现。其中越深的卷积层提取出的特征图越抽象,提取到的特征更高级。

    使用多尺度,就可以提取更全面的信息,既有全局的整体信息,又有局部的详细信息。

    展开全文
  • 【深度学习】多尺度的理解

    千次阅读 2019-11-30 16:47:06
    多尺度训练这个问题应该是可以分为两个方面:一个是图像金字塔,一个是特征金字塔吧。 1、人脸检测的MTCNN就是图像金字塔,使用多种分辨率的图像送到网络中识别,时间复杂度自然就很高,毕竟每幅图都要用多种scale去...

    多尺度训练这个问题应该是可以分为两个方面:一个是图像金字塔,一个是特征金字塔吧。

    1、人脸检测的MTCNN就是图像金字塔,使用多种分辨率的图像送到网络中识别,时间复杂度自然就很高,毕竟每幅图都要用多种scale去检测。

    2、像FPN特征金字塔网络,是在多个feature map上面识别的话,但是是一次图像输入完成的,所以只是识别时间会稍微长一些,时间复杂度并不会增加吧。

    3、faster rcnn多个anchor带来的多种尺寸的roi这种是不是也可以算muti scale?

    4、faster rcnn训练的时候,RPN和ROI Head网络的训练数据都不是简单的随机选取的啊,是通过计算IOU来根据正负样本数量和比例来选取的哇。先经过RPN粗略选取之后再使用ROI Head网络做矫正,效果一般是要好于yolo v1和ssd啊

    来源:知乎 作者:不知道叫什么

     

    展开全文
  • 在分析Gabor小波的基础上,提出了一种变采样率Gabor小波的方法,与传统的Gabor小波相比,其识别效果得到大幅提高。该方法采用Curvelet、Log-Gabor小波和Contourlet三种方法结合主分量分析应用于人脸识别。...
  • 关于图像多尺度的一些基础知识

    千次阅读 2019-09-26 16:48:03
    版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。 ...
    版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
    本文链接: https://blog.csdn.net/carson2005/article/details/11786613





    展开全文
  • 图像多尺度技术

    千次阅读 2017-12-19 20:28:22
    学习笔记(3)多尺度图像技术 原创 2014年11月21日 16:36:29 标签: 1197 编辑 删除 多尺度图像技术也叫做分辨率技术(MRA),指对图像采用多尺度的表达,并且在不同尺度下分别进行处理。这样做的理由是...
  • 在开始学习之前推荐大家可以在FlyAI竞赛服务平台参加训练和竞赛,以此来提升自己的能力。FlyAI是为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。每周免费提供项目开源算法样例,支持算法能力变现...
  • 多尺度分辨率的理解

    千次阅读 2017-10-20 17:22:53
    我一开始以为 多尺度分辨率 是一样的意思。后来看到了xiaowei_cqu博客的一篇文章“【OpenCV】SIFT原理与源码分析:DoG尺度空间构造”(以下简称,xiaowei一文),才发现我的理解有误。 尺度空间(scale space)...
  • YOLOv3中的多尺度检测

    千次阅读 2020-10-01 09:57:09
    上图中的小方块尺寸是32*32的原因是特征提取...因为c1属于低层级特征图,它的特点是精度高(因为像素点)但是他的语义含义不够丰富,这就会导致最后的结果不够好。所以使用高层级特征图c0中的r0(rout)经过上采样...
  • Gabor滤波 + 多尺度问题

    万次阅读 2013-03-24 14:12:38
    Gabor变换属于加窗傅立叶变换,Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。另外Gabor函数与人眼的生物作用相仿,所以经常用作纹理识别上,并取得了较好的效果。二维Gabor函数可以表示为: 其中: ...
  • 多尺度特征融合

    万次阅读 2019-05-11 04:03:45
    多尺度特征融合 应用:人体姿态估计领域,对于人体关键点检测。 对比一般的目标检测backbone,比如Vgg网络的特点是层次的提取特征,称为feature map。CNN卷积神经网络的层数的加深的过程,是特征提取从低层次到高层...
  • 融合类别和结构信息的多尺度协同耦合度量学习方法
  • 在具体说明FCOS多尺度测试源码前,先简单回顾一下目标检测中的多尺度训练及测试,做目标检测的应该基本都知道多尺度对最终性能的重要性。 输入图片的尺寸对检测模型的性能影响相当明显,事实上,多尺度是提升...
  • 针对矢量数据多尺度显示中的若干常见关键技术问题进行了讨论,并提出了相应的解决方案,同时结合具体的研究实例进行了实验,较好地实现了利用离散尺度模拟无级比例尺显示。
  • 图像处理里面的尺度什么

    千次阅读 多人点赞 2016-09-19 16:10:42
    尺度,这个曾经困扰了我好久的点,到底什么尺度尺度不变又指的是什么。 为了这个 宝宝正在去截图。好像前面的文章的确也没有解释,什么尺度,下面这段试图解释什么尺度(如果有异议,希望一起交流下:...
  • 多尺度检测

    2018-07-07 18:00:56
    我们注意到当σσ尺度一定时,只能检测对应半径的斑点,那么检测的是大半径的斑点呢,我们可以通过对规范化的二维拉普拉斯高斯算子求导:规范化的高斯拉普拉斯函数为:∇2norm=−12πσ2[1−x2+y2σ2]⋅exp(−x2+...
  • 多尺度熵---Understanding Multiscale Entropy

    万次阅读 多人点赞 2019-03-30 20:35:51
    关于本博客的说明:本文为翻译文章,原文为 ‘Understanding Multiscale Entropy’ 由Narayan P Subramaniyam 发布在SAPIEN LABS,原文链接为...多尺度熵(Multiscale entropy, MSE)将样本熵扩展到...
  • 深度学习中的多尺度模型设计

    千次阅读 2020-10-20 11:35:38
    图像金字塔多尺度-==-类似下抽样 大家好,这是专栏《AI不惑境》的第七篇文章,讲述计算机视觉中的多尺度问题。   进入到不惑境界,就是向高手迈进的开始了,在这个境界需要自己独立思考。如果说学习是一个...
  • 计算机视觉研究院专栏作者:Edison_G深度特征学习方案将重点从具有细节的具体特征转移到具有语义信息的抽象特征。它通过构建多尺度深度特征学习网络 (MDFN) 不仅考虑单个对象和局部上下...
  • 自上世纪50 年代开始将多尺度理论应用于图像处理与计算机视觉领域,最早并成功的多尺度理论应用是解决光学字符识别、医疗诊断等领域中的实际问题。近年来,图像的多尺度分析在图像处理技术的研究中有着广泛的应用,...
  • 针对传统的多尺度时间序列重构方法无法完整地提取脑电图EEG信号特征的问题,提出了一种新的多尺度时间序列重构方法——移动方差化。将EEG信号使用移动方差化方法进行序列重构,进而在尺度上提取时间序列的2个特征...
  • 遥感空间尺度转换技术(升尺度和降尺度

    千次阅读 多人点赞 2020-12-29 22:52:18
    尺度尺度转换已经成为遥感的核心问题之一,人们已经从不同角度提出了这一问题。尺度转换分为两种: 升尺度:从高分辨率到低分辨率的转换; 降尺度:从低分辨率到高分辨率的转换。 文章目录1. 升尺度的方法2. 降...
  • 语义分割中的多尺度特征设计 图像语义的概念 图像的语义可分为三层,视觉层,对象层和概念层。以下图Fig1为例,视觉层通常包含了图像的底层特征语义信息,例如图像的颜色,车辆和树的轮廓,纹理信息等等,对象层可以...
  • 目标检测中的多尺度问题

    千次阅读 2019-01-11 09:55:13
    最后一层由尺度的特征图一起组成的 然而他最后一层的多尺度是有限的,对于极小的目标识别,SSD就无能为力了。 2 FPN 特征金字塔网络,不是一味的下采样去提取语义信息来识别物体,而是从顶层的每一层都进行上...
  • 多尺度分辨率的区别

    千次阅读 2018-09-06 15:01:17
    我一开始以为 多尺度分辨率 是一样的意思。后来看到了xiaowei_cqu博客的一篇文章“【OpenCV】SIFT原理与源码分析:DoG尺度空间构造”(以下简称,xiaowei一文),才发现我的理解有误。   尺度空间(scale ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 16,706
精华内容 6,682
关键字:

多尺度是什么意思