Dec, 2013

使用深度神经网络实现可扩展的物体检测

PDF
TL;DR该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。
deep convolutional neural networksimage recognitionobject detectionbounding boxessaliency-inspired model
发现论文，激发创造
  • 通过贝叶斯优化和结构化预测提升深度卷积神经网络的物体检测

    本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

    Apr, 2015

  • OverFeat: 使用卷积网络集成识别、定位和检测

    本文提出了一个基于卷积网络进行分类、定位和检测的综合框架，展示了如何在 ConvNet 中高效实现多尺度和滑动窗口方法，并通过学习预测目标边界来实现定位，最后释放了我们最佳模型的特征提取器 OverFeat。

    Dec, 2013

  • 可扩展的高质量目标检测

    本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

    Dec, 2014

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • PVANET: 实时目标检测的深度轻量级神经网络

    本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet， 在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

    Aug, 2016

  • SSD：单发多框检测器

    该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

    Dec, 2015

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

    Oct, 2015

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 使用卷积网络学习物体性质的 DeepBox

    使用卷积神经网络的数据驱动语义方法，提出一种提高目标建议排名的新框架 “DeepBox”，可以显著提高目标检测平均准确度，并在保持较高召回率的同时大幅降低计算时间。

    May, 2015

  • LocNet: 提高物体检测的定位精度

    本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

    Nov, 2015