【论文阅读】DetectoRS|Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution

最新推荐文章于 2026-02-13 00:14:46 发布
原创 最新推荐文章于 2026-02-13 00:14:46 发布 · 771 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
收录于
计算机视觉相关论文详解

当前文章被收录于：

计算机视觉相关论文详解
70 篇文章 2 人学习

不定期更新前言论文，包括目标检测，分类，分割，自动驾驶等前言论文解读。

订阅专栏 查看详情
DetectoRS是Siyuan Qiao等人提出的一种目标检测方法，它结合了递归特征金字塔(RFP)和可切换空洞卷积(SAC)。RFP通过反向集成ASPP改进特征金字塔，SAC则用AvgPool+Conv作为选择一般卷积或空洞卷积的开关，类似注意力机制。实验结果显示该方法性能优异。

题目：DetectoRS：Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
作者：Siyuan Qiao Liang-Chieh Chen Alan Yuille

Motivation:
作者看到很多目标检测的网络都采用looking and thinking twice 的机制，然后作者也想来爽一把，于是乎牛逼的DetectoRS问世了。

Methods:
本文主要体现looking and thinking twice的思想，主要在两个方面：
在这里插入图片描述
1）RFP，Recursive Feature Pyramid

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
其中反向整合ASPP如下图：
在这里插入图片描述
最后FUSION的方式:
在这里插入图片描述

2）SAC，Switchable Atrous Convolution
可切换的空洞卷积比较容易理解，就像做了下个开关，然后选择是一般卷积还是空洞卷积。而作者具体的做法是采用AvgPool(5x5)+Conv(1x1)的形式做为选择方式 ，我觉得像是一个注意力机制的选择方式。
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

Experiment:
还是不多说，直接上图。效果很不错，谢谢作者的做贡献。
在这里插入图片描述
【完结】

DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
qq_52302919的博客
03-04 1696
在宏观层面上，作者提出的递归特征金字塔 (RFP)建立在特征金字塔网络(FPN)之上，将FPN层的额外反馈连接合并到自底向上的骨干层，如上所示。将递归结构展开到一个顺序实现中，获得了一个对象检测器的主干，它可以查看两次或两次以上的图像。类似于Cascade R-CNN用更有选择性的例子训练的级联检测头，RFP递归地增强F
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution 论文笔记
qq_30146937的博客
10-09 2983
前言 本文分别从宏观和微观角度对目标检测模型的backbone进行设计，进而提出DetectorRS， 在宏观上，提出递归特征金字塔（Recursive Feature Pyramid，RFP），它是在FPN的基础上建立的，通过将FPN中额外的反馈连接整合到自底向上的backbone中，以构成RFP，如下图所示，图中的黑色实线箭头就是所提到的反馈连接。具体来说，这个反馈连接将detector head中直接接收梯度的特征（因该就是语义信息丰富的特征）带回到backbone的较低层级的特征层中，从而能够加
【目标检测】DetectoRS
Chenjiahui_LYee的博客
01-06 1948
《DetectoRS: Detecting Objects with Recursive Feature Pyramidand Switchable Atrous Convolution》论文解读
【论文笔记】：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
Activewaste
06-12 3133
&Title DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution 代码 &Summary 许多现代的物体检测器通过使用两次观察和思考的机制展示了出色的性能。 在本文中，我们探索了用于目标检测的主干设计中的这种机制。 ’ 在宏级别，我们提出了递归特征金字塔，它结合了从特征金字塔网络到自下而上的骨干层的额外反馈连接。 在微观层面上，我们提出了可切换的At
论文导读：DetectoRS： Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
onebe的博客
12-12 1768
论文导读：DetectoRS： Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution Abstract 许多现在的目标检测方法通过两次寻找搜索展示卓越的性能，这篇文章的主要原理是在 目标检测的backbone设计上。在宏观层面，我们提出Recursive Feature Pyramid(递归特征金字塔):包括从FPN提出额外的反馈连接进入up-bottom backbone layers。从微观层
论文阅读：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
j879159541的博客
06-30 4982
文章目录1、论文总述2、RFP模块的具体实现3、SAC模块的具体实现4、 Ablation Studies 1、论文总述 本篇论文提出的目标检测模型DetectoRS在COCO数据集上的性能是当前最好（mAP：54.7），在实例分割和全景分割上效果也不错，主要是因为提出的改进方法是 基于backbone和FPN的， 适用于多种视觉任务，其他次优模型如：ResNeSt，CBnet也是基于backbone的改进，也许现在的趋势就是目标检测的网络结构大致已定（除anchor-free系列外），而且也有论文统计过，
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution论文阅读
qq_41627642的博客
06-19 953
（而非像 SENet [33] 那样通过乘性重标定）。实验表明，将全局信息用于切换函数和主干卷积前后，能让切换判断更稳定，进而提升检测性能。第 5 节的消融实验中，我们将对比有无全局上下文模块的效果。
DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution论文学习
calvinpaean的博客
06-12 2658
Abstract 很多的目标检测器通过 looking and thinking twice 的方式实现了惊人的表现。本文作者针对目标检测主干网络的设计，研究了该机制。在宏观层面，作者提出了递归特征金字塔，将来自FPN的额外的反馈连接加入到自下而上的主干层。在微观层面，作者提出了可切换的空洞卷积（SAC），它以不同的空洞率（rate）对特征进行卷积，并使用switch函数合并卷积后的结果。这样就得到了DetectoRS，极大地提升了目标检测性能。在COCO 测试验证集上，DetectoRS 取得了SOTA的
【读点论文】DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
白水空空
03-07 1156
许多现代的物体探测器都是通过观察和思考两遍的机制表现出出色的性能。在本文中，本文在目标检测的主干设计中探讨了这种机制。在宏观层面，本文提出了递归特征金字塔，它将特征金字塔网络的额外反馈连接合并到自下而上的骨干层。在微观层面，本文提出了可切换的Atrous卷积，它将具有不同的Atrous速率的特征进行卷积，并使用切换函数收集结果。将它们结合在一起形成检测器，显著提高了目标检测的性能。
迭代FPN：DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution
weixin_43257313的博客
07-09 3447
网络结构 即将FPN输出做为backbone对应层的特征进行卷积，卷积后的结果输出到FPN，再与上次FPN输出的结果结合。 给backbone和fpn定义符号，公式化说明： Bi代表在backbone的第i层卷积操作，xi是其卷积操作后的特征。 Fi代表FPN的对xi操作，fi代表其池化后的结果。 上面是递归前的FPN，图是递归操作，即 x->backbone->FPN(0) (x+FPN(0))->backbone->FPN(1) FPN = FPN(0) + FPN(1) 原
本周AI热点回顾：最强的目标检测网络开源、ERNIE动静合一全新升级、假笑再也不能骗到AI了
百度大脑
06-07 973
0154.7 AP！最强的目标检测网络：DetectoRS（已开源）许多现代目标检测器通过使用两次looking和thinking的机制，表现了出色的性能。在本文中，作者探索了用于目标检...
DetectoRS：使用递归特征金字塔和可切换的空洞卷积检测目标
小嘤熊的博客
11-06 453
注：论文原文出自DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution本文仅用于学术分享，如有侵权，请联系后台作删文处理。：设Bi表示自底向上的backbone的第i个阶段，Fi表示自顶向下的第i个FPN操作。， S}，其中S为阶段数。上图显示了 SAC 的整体架构，它具有三个主要组件：在 SAC 组件之前和之后附加的两个全局上下文模块。
10个实用案例：Lightning-Flash在图像分类与文本处理中的应用
最新发布
gitblog_00541的博客
02-13 969
Lightning-Flash是一个强大的PyTorch AI工具库，能够帮助开发者轻松配置和运行复杂的AI任务，支持7个数据领域的15种以上任务。本文将通过10个实用案例，展示Lightning-Flash在图像分类与文本处理中的应用，帮助新手快速上手这个高效的AI工具。 ## 图像分类应用案例 ### 1. 基础图像分类实现 使用Lightning-Flash的ImageClassifie
DetectoRS论文解读
Q1u1NG的博客
06-09 4228
DetectoRSDetectoRSIntroduceRecursive Feature PyramidFeature Pyramid NetworksRecursive Feature Pyramidbackbone输入的不同RFP中的特征提取特征融合模块Switchable Atrous ConvolutionAtrous ConvolutionSwitchable Atrous ConvolutionGlobal Context插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定
DetectoRS: Detecting Objects with Recursive Feature Pyramidand Switchable Atrous Convolution
u014496102的博客
12-09 2509
摘要 许多新出的目标检测器都表现出优秀的性能，通多使用三思而后行的机制进行检测。在本文中，我们探索了这个机制在设计目标检测骨干中。在宏观层面，我们提出了递归特征金字塔，它包含来自特征金字塔的额外反馈连接进入自下而上的骨干层。在微观层面，我们提出了可切换的膨胀卷积，它包含不同膨胀卷积率的特征，收集结果使用开关功能，将它们的结果结合，就是当前的检测器，它极大提高了目标检测的性能。在coco数据集上，该检测器实现了最好的54.7的框目标检测效果，实现了47.1的掩码实例分割识别效果，和49.6的全景分割识别效果
文献阅读笔记6——《DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous ..》
April_Liu的blog
12-06 583
0 写在前面 开源基于mmdetection 1 递归特征金字塔（RFP） 提出的递归特征金字塔（RFP）建立在特征金字塔上（FPN），通过额外的反馈链接从FPN层合并到自下而上的骨干层，将递归结构展开为顺序实现。该主干网络可以将图像查看两次或更多次。 （a）为FPN的经典结构 （b）中的连接线为RFP提出的反馈连接方式 （c）展示了RFP按顺序展开的网络反馈链接为第一次FPN各层输出经过ASPP输出与主干网络的各层链接。最终输出为两次FPN输出结果的融合。 A ASPP结构 ASPP带有空洞卷积的
【YOLOv8改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-02 1489
许多现代目标检测器通过采用二次观察和思考机制展示了卓越的性能。在本文中，我们在目标检测的主干设计中探索了这一机制。在宏观层面上，我们提出了递归特征金字塔（Recursive Feature Pyramid），该金字塔将特征金字塔网络（Feature Pyramid Networks）的额外反馈连接融入到底层的自下而上主干层中。在微观层面上，我们提出了可切换空洞卷积（Switchable Atrous Convolution），该卷积通过不同的空洞率卷积特征，并使用切换函数汇集结果。
YOLO11改进 | 卷积模块 | 减少冗余计算和内存访问的PConv【CVPR2023】
kay_545
10-04 3210
yolo11改进，yolo11，PConv
Switchable Atrous Convolution（2020 CVPR）
朴实无华的研究生活
03-20 1035
本文提出了一种名为DetectoRS的方法，结合了递归特征金字塔（RFP）和可切换空洞卷积（SAC），显著提升了目标检测性能。在 COCO 数据集上，DetectoRS 达到了55.7%的框平均精度（box AP）、48.5%的掩码平均精度（mask AP）和50.0%的全景分割指标（PQ）。RFP通过反馈连接增强特征金字塔网络（FPN），实现“看两次”的机制；SAC则通过不同空洞率的卷积核处理输入特征，提高了模型的适应性和准确性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一碗白开水一

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值