使用卷积网络学习物体性质的 DeepBox
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
本研究聚焦于建立从互联网图像收集中得出视觉对象数据库的方法学,并利用稠密 Proposal 生成和基于物体性的重排序方法,通过深度卷积神经网络设计出的前景完整性和充实度相互补充的计量方式,提高了物体建议的排序性能,并利用该方法成功构建了包含超过 1.2 百万个视觉对象的数据库,实现了不少于多个数据驱动图像应用。
Apr, 2019
本研究提出基于卷积神经网络的物体检测系统,使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位,实验证明两种方法的结合优于先前的最先进方法。
Apr, 2015
本文提出了一个名为 ProNet 的基于神经网络的结构,利用图像级注释来高效地实现物体的分类和定位,并在 PASCAL VOC 2012 以及 MS COCO 数据集上进行了实验,超出了之前最先进的技术。
Nov, 2015
本文提出一种基于亚类别感知的 CNN 目标检测方法,使用新颖的区域提出网络和检测网络,以亚类别信息引导提出生成过程和实现联合检测和亚类别分类,从而在常用基准上实现了检测和姿态估计的最佳表现。
Apr, 2016
本文提出一种基于卷积神经网络和语义分割的目标检测系统,利用迭代定位机制,通过高效运用模块来检测物体,并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。
May, 2015
本文通过对卷积神经网络 (CNN) 的激活层质量进行评估,提出了一种卷积神经网络的级联方法,它通过级联的方式从 CNN 的最终卷积层到初始层中选择最有前途的物体区域并处理它们的盒子,从而提高物体识别的性能。
Oct, 2015