通过在6个具有挑战性的数据集上定量和定性地比较40个最先进的模型(28个显著性目标检测、10个注视预测、1个目标性、1个基准)以进行显著目标检测和分割方法的基准测试,评价显示,这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题,我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好,这为问题的精确定义提供了提示,并提出了一些可能的解决方案和未来的研究方向。
Jan, 2015
Soft-NMS算法通过将检测框与最大得分检测框的重叠度作为连续函数的信号降低其得分以替代一般的NMS算法进行非极大值抑制,从而提高了目标检测的效果和精度,不需要额外训练,且与常规NMS算法的计算复杂度相同。
Apr, 2017
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
本文提出了一种使用基于关键点估计网络的下向方法进行目标检测的算法,我们只需检测每个对象的最高、最左、最下、最右以及中心五个极点,并且如果这些点在几何上对齐,则将其分组为一个边界框,从而避免了区域分类或隐式特征学习,此算法表现出了与基于区域的检测算法相当的性能。
Jan, 2019
MMDetection是一个包含丰富物体检测和实例分割等相关组件和模块的工具箱,通过基准测试研究不同方法、组件和超参数,提供灵活工具包以重新实现现有方法和开发新的检测器。
Jun, 2019
通过分析 15 多个模型在 4 个数据集上的表现,确定了基于深度学习的目标检测算法的平衡点,并发现分类错误是目标检测中错误的主要来源,而上下文对于检测小目标比大目标更重要。
Nov, 2019
本文主要介绍了利用密度估计方法对目标边框进行多目标检测的过程,并提出了一种新的基于密度估计的模型 Mixture Density Object Detector (MDOD) 来应对此问题并有效提高检测性能。
本文提出一种名为MosaicOS的针对长尾目标检测的新颖框架,其通过伪场景中心图像的构建和高质量的边界框插值等策略,在稀有目标类别的平均精度上取得60%的提升。
Feb, 2021
提出了一种名为类间距平衡,使用简单却有效的类间距丢失方法来优化特征学习,以实现少样本目标检测,通过扰动的新类实例特征, 追求间距平衡,取得了极大的成功。
Mar, 2021
本文提出了一种基于边缘的二元分类方法ECM,用于解决目标检测中数据不平衡导致的长尾问题,并在LVIS v1基准测试中获得了比其他启发式方法更好的性能。
Jan, 2023