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

HTML
PDF
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。
发现论文，激发创造
  • 使用深度神经网络实现可扩展的物体检测

    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。

    Dec, 2013

  • 追求简单：全卷积网络

    通过重新评估小图像物体识别的状态并提出新的CNN网络结构，本文发现在保持精度的情况下，最大池化层可以简单地用增加步长的卷积层取代，并引入了一种新型的变体来可视化CNN学习到的特征。

    Dec, 2014

  • 卷积特征图上的目标检测网络

    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

  • 基于区域全卷积网络的物体检测

    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

  • 直接转向形状: 编码形状的实时检测

    本研究提出了一种实时形状预测的网络，通过使用去噪卷积自编码器来建立一个嵌入空间，并将解码器置于快速端到端网络之后，直接回归到编码后的形状向量。该网络在实现更高阶形状推理的同时，能够对类别的泛化性进行处理。

    Nov, 2016

  • 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

  • 自底向上的细粒度图像分类中的弱监督互补部件模型

    文章介绍了使用弱监督的方法，构建辅助部分模型，检测出深度卷积神经网络忽略的其它目标部分，使用双向LSTM将这些互补信息编码为图像综合特征用于图像分类，并在Stanford Dogs 120、Caltech-UCSD Birds 2011-200、Caltech 256数据集上实现了显著提升。

    Mar, 2019

  • 基于组合模型和深度网络的物体遮挡下鲁棒分类方法

    该研究试图将深度卷积神经网络与组合模型相结合，以解决当前计算机视觉领域的一个基本问题：在高识别性的同时识别部分遮挡的物体。研究者提出了一种学习两步法，即训练标准DCNN进行图像分类，然后将DCNN特征聚类成字典，并建议用组合模型混合以解决空间激活模式的重要变化问题。该研究表明，组合模型与DCNNs的结合解决了当今深度学习方法在计算机视觉中的基本问题，即在未曾接受训练的情况下识别部分遮挡的物体，同时对不发生遮挡的物体保持高识别性能。

    May, 2019

  • 组成卷积神经网络：一种强健且可解释的物体识别模型（考虑遮挡情况）

    本研究提出了 CompositionalNets，一种将深度卷积神经网络和基于部件的模型统一起来的可解释深度体系结构，具有天生的部分遮挡鲁棒性，同时能够将图像分解为对象和上下文，并基于非遮挡部分的对象来识别遮挡对象。实验结果表明，CompositionalNets在分类和检测部分遮挡对象方面比传统的深度卷积神经网络有显著的优势，并可以准确地定位遮挡物。

    Jun, 2020

  • 2020年代用于ConvNet（卷积神经网络）的神经网络

    本研究重新审视设计空间，逐步将标准ResNet现代化为Vision Transformer的设计，发现了几个关键组件，并发现纯ConvetNets模型家族ConvNeXt可以在精度和可伸缩性方面与Transformer竞争，在ImageNet的top-1准确率方面达到了87.8％，并在COCO检测和ADE20K分割上优于Swin Transformer 。

    Jan, 2022