Feb, 2015

有效的检测提案的要素是什么？

PDF
TL;DR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。
object detectiondetection proposalsproposals repeatabilityaverage recalllocalisation accuracy
发现论文，激发创造
  • 检测建议有多好？

    对当前十种对象提案方法及四种基准方法进行系统分析，发现现有方法存在共同的缺点并提供选择最适合不同场景的方法的洞见。

    Jun, 2014

  • 实现尺度不变性和位置敏感的区域建议网络

    提出了一种基于网络架构设计的物体提议算法，该算法具有许多优势，例如对物体大小的范围从非常小到非常大的尺度具有平移不变性，具有平移变性的限制框回归，具有大的有效感受野来捕捉全局上下文等，可以显著地提高提议平均召回率，并且实时性能也非常好。

    Jul, 2018

  • 什么导致物体提议的泛化？

    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

  • 可扩展的高质量目标检测

    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

  • 目标检测中所有提议是否应平等对待？

    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

  • 再探基于提案的物体检测

    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

  • 超越局部搜索：基于实例的提案实现目标追踪

    本文提出了一种物体跟踪方法，通过实例特定的物体性度量产生 “高质量” 提议，并更新物体模型，以集中处理这些提议中的困难误报，并学习按对象模型对提议重新排名，在流畅跟踪移动对象和超低帧速率视频方面表现良好。

    May, 2016

  • 准确物体检测与语义分割的丰富特征层次结构

    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

  • 在线目标跟踪及提议选择

    本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。

    Sep, 2015

  • 基于级联区域提议和全局上下文的深度目标检测

    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