卷积网络、可变形配件模型和非极大值抑制的端到端集成

Nov, 2014

卷积网络、可变形配件模型和非极大值抑制的端到端集成

End-to-End Integration of a Convolutional Network, Deformable Parts Model and Non-Maximum Suppression

Li Wan, David Eigen, Rob Fergus

TL;DR本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分，从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。

Abstract

deformable parts models and convolutional networks each have achieved notable performance in object detection. Yet these two approaches fi

deformable parts models convolutional networks object detection structured loss function non-maximal suppression

发现论文，激发创造

可变形部件模型是卷积神经网络

本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

Sep, 2014

全卷积网络实现端到端目标检测

本文针对基于全卷积网络的主流目标检测器在进行完全端到端训练时需要手动设计的非极大值抑制（NMS）后处理方法进行分析，发现正确的标签赋值在其中起着至关重要的作用。本文提出了一种名为预测感知一对一（POTO）的分类标签赋值方法，使得在完全卷积检测器中使用该方法实现了端到端检测，并且与使用 NMS 方法相比具有可比性能。此外，本文还提出了一个简单的三维最大过滤（3DMF）来利用多尺度特征，并提高局部区域内卷积的可区分度。借助这些技术，本文的端到端框架在 COCO 和 CrowdHuman 数据集上取得了与许多最先进的具有 NMS 的检测器相当的性能。

Dec, 2020

学习非极大值抑制

通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

May, 2017

物体检测和实例分割的分解学习

本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。

Nov, 2015

用卷积神经网络进行非最大值抑制

本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。

Nov, 2015

Deformable ConvNets v2：更加可变形，更好的结果

通过增强 Deformable Convolutional Networks 的变形卷积能力、引入调制机制和特征模仿方案，提高了其在目标检测和实例分割任务中的性能表现。

Nov, 2018

基于可变形部件的全卷积网络用于目标检测

本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

Jul, 2017

DeePM: 一种用于目标检测和语义部件定位的深度基于部件模型

本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能，并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN，并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。

Nov, 2015

可变形卷积神经网络

本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

通过消除启发式 NMS 简化的物体检测

本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架，使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对 COCO 数据集的优越性能。

Jan, 2021