检测建议有多好?
该论文通过分析 12 种提案方法及 4 种基线,评估了它们对物体识别精度、重复性以及物体本地化准确性的影响,并提出了一个新的指标 —— 平均召回率,该指标同时奖励高召回率和良好的本地化准确性,并与检测性能惊人地相关。该论文的发现为选择和调整提案方法提供了指导和度量标准。
Feb, 2015
本文探究了物体建议方法的影响因素,包括尺寸、色彩对比度、形状规则性和纹理等,结合现有方法的局限性和对各种因素对物体建议方法准确度的影响进行分析,指出选择和设计现有和未来物体建议技术的注意事项。
Jul, 2015
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
该研究提出了一种基于相交区域回归的方案,替代了常用的目标检测中预测最大重叠的策略,通过围绕物体的候选框组合回归的相交区域的并集来得出最终的预测,该方法对检测流程做出了最小的改变并可用于任何现有方法,对经典的目标检测和实例分割方法均有直接的改进。
Nov, 2023
本文研究使用一小组源类别训练检测模型如何生成泛化到未见过的类别的 proposals,通过对数据集的视觉多样性和标签空间粒度的属性研究,引入了原型类别的概念,提出只需用 25% 的类别即可训练得到性能不差的 proposals,同时表明 Faster R-CNN 模型相比 RetinaNet 等单阶段网络更适合泛化生成 proposals。
Aug, 2020
本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法,并在环境变化下对其进行了实验验证,结果表明此方法在光照和视角变化下性能优于其他两种方法。
Dec, 2015
提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN,它与 CNN 结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。
Nov, 2013
针对资源受限视觉任务中目标检测器的复杂度与精度权衡问题,研究了检测头中建议处理的影响,提出动态建议处理(Dynamic Proposal Processing,DPP)的概念,将更多计算分配给好的建议,使得可用计算预算得到更好的利用,从而在相同的 FLOPS 下实现更高的准确度。DPP 可作为函数实现并用于端到端的物体检测器中,相较于现有的端到端对象检测器(DETR,Sparse R-CNN),在给定计算复杂度的情况下,明显提升了性能。
Jul, 2022
本文详细介绍了如何通过改进区域提议和深度对象识别两个步骤来提高 Faster R-CNN 的效果。我们提出了一种新的轻量级级联结构,可以有效地提高区域提议质量,重新实现了全局上下文建模,同时广泛应用预训练思想,最终在几个测试数据集上均获得了优异的结果。
Oct, 2017
本文提出了深层分层网络 HyperNet,以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征,将图像的深层、中间和浅层特征结合在一起,实现了端到端的联合训练策略,并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。
Apr, 2016