论文：SNIPER: Efficient Multi-Scale Training
论文链接：https://arxiv.org/abs/1805.09300
代码链接：https://github.com/MahyarNajibi/SNIPER
这篇文章是之前SNIP论文的升级，升级点在于减少SNIP的计算量。SNIP借鉴了multi-scale training的思想进行训练，multi-scale training是用图像金字塔作为模型的输入，这种做法虽然能够提高模型效果，但是计算量的增加也非常明显，因为模型需要处理每个scale图像的每个像素，而SNIPER（Scale Normalization for Image Pyramids with Efficient Resampling）算法通过引入context-regions（文中用chips表示，chip翻译过来就是碎片的意思，因为是从一张完整的图像中裁剪出多个chip，所以这个用词也比较形象），使得模型不再处理每个尺寸图像的每个像素点，而是选择那些对检测最有帮助的区域参与训练，这样就大大减少了计算量。这些chips主要分为两大类，一种是postivice chips，这些chips包含ground truth；另一种是从RPN网络输出的ROI抽样得到的negative chips，这些chips相当于是难分类的背景，而那些
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/20343.html