去掉 R 的 R-CNN
本文提出一种完全卷积的区域提议网络(RPN),在同时预测目标边界和目标特征分数的同时,使用完全图像卷积特征共享检测网络的特征。
Jun, 2015
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
本文探讨了使用来自目标检测卷积神经网络的图像和区域表示进行实例检索的适用性,并考虑在相同目标上对 Faster R-CNN 进行微调的适用性,通过首次筛选和空间重新排序构建实例搜索流水线,该方法在 Oxford Buildings 5k、Paris Buildings 6k 和 Trento Visual Search 2013 的子集上获得了竞争性的结果。
Apr, 2016
Sparse R-CNN 是一种用于图像中目标检测的纯稀疏方法,通过固定的稀疏一组学习目标建议代替手动定义的物体候选框,并直接输出最终预测结果,表现优于基线模型,可用于 COCO 数据集等。
Nov, 2020
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
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
本研究旨在探讨以 Faster R-CNN 为代表的物体检测方法在公司商标检测任务中的应用。针对小物体实例表现不佳的问题,我们对该方法中的候选区域生成和分类两个阶段进行了研究,提出了一种改进的候选框生成机制,并利用更高分辨率的特征图来提高小物体检测性能,实验证明其在 FlickrLogos 数据集上 RPN 性能从 0.52 提高到 0.71(MABO),检测性能从 0.52 提高到 0.67(mAP)。
Apr, 2017
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
本文提出了一种高效的端到端的渐进式目标检测器,利用知识蒸馏技术,在新任务微调模型时适当保留旧类别的知识,相较于传统 Faster RCNN 基线检测器更快 13 倍,且更准确。
Mar, 2020