基于密集神经模式和区域的通用目标检测
本论文探讨了如何使用共享的、独立于区域的卷积特征构建区域分类器网络,并发现深度和卷积的区域分类器对于物体检测特别重要,而最新的图像分类模型则不会直接导致良好的检测准确性,我们通过实验证明,尽管ResNets和Faster R-CNN系统是有效的,但NoCs的设计对于ImageNet和MS COCO 2015挑战赛的第一名入选至关重要。
Apr, 2015
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
本论文涉及基于区域的检测器,使用卷积网络实现高效的物体检测,使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题,可自然地采用全卷积图像分类器骨干网进行物体检测,以101层残差网络(ResNet)在PASCAL VOC数据集上取得83.6%mAP的竞争性结果,测试时间为每张图像170ms,比Faster R-CNN快2.5-20倍。
May, 2016
本论文提出了一种名为“Deep Regionlets”的新型目标检测框架,通过在深度神经网络和传统检测模式之间建立桥梁实现准确的普适目标检测。该框架由区域选择网络和深度区域学习模块组成,能够实现端到端的训练,并通过单元素件选择和转换减轻局部变化。此框架在PASCAL VOC和Microsoft COCO数据集上的实验结果表明,其效果优于现有的RetinaNet和Mask R-CNN算法。
Dec, 2017
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
本文综述了深度学习方法在目标检测领域的应用及其取得的进展,涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面,并指出了未来研究的方向。
Sep, 2018
该研究提出 Dense Convolutional Network (DenseNet) 模型,使用每一层之前的所有特征图作为输入,解决了梯度消失的问题,促进了特征重用,并在目标识别领域的四个竞争性基准上显着提高了性能效率。
Jan, 2020
提出了一种基于对潜在空间中低密度区域的分离,通过OpenDet具有扩展的低密度区域来识别未知物体的方法,此方法包括一个对已知类别进行对比特征学习的CFL及一个基于预测的不确定性优化未知概率的UPL,实验证明此方法可以显著提高OSOD性能。
Mar, 2022