Faster R-CNN: 基于区域建议网络实现实时目标检测
本文提出了一种用于物体检测的快速区域卷积网络方法(Fast R-CNN),该方法采用了深度卷积神经网络对目标建议进行高效分类,相较于之前的方法,在提高检测精度的同时,大幅提高了训练和测试的速度。
Apr, 2015
本文介绍了一种基于雷达的实时区域提案算法(RRPN),用于自动驾驶车辆中的物体检测,通过将雷达检测映射到图像坐标系并为每个映射雷达检测点生成预定义的锚定框来生成物体提案。相比于现有算法,RRPN 操作更快且能够获得更高的检测精度和召回率。
May, 2019
本文旨在研究在基于卷积神经网络 (CNNs) 的检测器中,Proposal Generation 在模型中的作用,分析其是否是必要的建模组件,承载比 CNN 本身多的关键几何信息,或者仅仅是一种加速检测的方法。我们通过设计和评估一个检测器来证明使用 Proposal Generation 仅仅是一种加速检测的方法,不需要使用其他算法处理图像。同时,我们还提出了多个改进方案,简化了基于 CNN 的检测器的训练,加速了检测。
Jun, 2015
这篇论文提出了一种名为 Cascade Region Proposal Network(Cascade RPN)的架构,通过系统地处理传统 RPN 的限制来提高区域建议质量和检测性能,实现了更好的定位和检测,其中核心要素包括:单一锚点设计、多阶段细化、适应性卷积等。
Sep, 2019
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
本文研究领域自适应目标检测中的区域建议网络 (RPN) 和分类器 (RPC),发现了二者在面对大型区域差异时的显著差异,通过最小最大优化及使用低置信度样本差异计算,提出了一种互相指导训练,并在多种场景下验证了其有效性的方法。
Sep, 2020
本文提出了深层分层网络 HyperNet,以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征,将图像的深层、中间和浅层特征结合在一起,实现了端到端的联合训练策略,并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。
Apr, 2016
本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN,其中包括一种面向区域提议网络(oriented RPN),可以直接生成高质量的面向提议,并具有最先进的检测精度。
Aug, 2021
我们提出了一种新颖的区域生成方法,用于执行面部检测,该方法使用基于池化的方法生成区域提案,通过提出一种有效的锚点放置策略来降低锚点数量,并演示了我们的网络生成的提案优于 RPN 用于生成面部检测的区域提案,这种方法还有迭代优化、浮点锚点设置和锚点更改等多个优点,该面部检测器在 WIDER 数据集上使用 ResNet-50 主干获得了 89.4% 的 mAP。
Dec, 2018
本文提出了一种基于级联区域建议网络和 Siamese 跟踪的多级跟踪框架,其中每个区域建议网络利用前一阶段的区域建议网络的输出进行训练,采用多任务损失函数进行端到端的训练,并在多个数据集上实现了优异的跟踪效果。
Dec, 2018