诊断现有的目标提议方法

Jul, 2015

Diagnosing State-Of-The-Art Object Proposal Methods

Hongyuan Zhu, Shijian Lu, Jianfei Cai, Quangqing Lee

TL;DR本文探究了物体建议方法的影响因素，包括尺寸、色彩对比度、形状规则性和纹理等，结合现有方法的局限性和对各种因素对物体建议方法准确度的影响进行分析，指出选择和设计现有和未来物体建议技术的注意事项。

Abstract

object proposal has become a popular paradigm to replace exhaustive sliding window search in current top-performing methods in PASCAL VOC and ImageNet. Recently, Hosang et al. conduct the first unified study of existing methods' in terms of various image-level degradations. On the othe

object proposal image-level degradation object-level characteristics localization accuracy state-of-the-art

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

有效的检测提案的要素是什么？

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。

Feb, 2015

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

对象提议评估协议可被操纵

本文研究了目标提议在物体检测和发现任务中的应用，并提出了解决使用部分注释数据集进行评估的问题的方法，通过介绍一个几乎全注释的 PASCAL VOC 数据集，执行了目标提议方法的完备评估，并引入了一种诊断实验来检测算法的偏置能力。

May, 2015

通过语义基础解决视觉语言任务中目标提议评估的不匹配

评估目标提议的有效性，通过仅针对由阈值筛选的注释子集进行评估，使用语义基础实现与图像字幕和人工注释的对齐，并比较当前在场景图生成基准中使用的检测器的性能对比。

Sep, 2023

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

学习开放世界物体提议，不需学习分类

本文提出一种基于 Object Localization Network (OLN) 且不需要分类器的目标定位方法，创新性地实现了目标定位的普适性并在交叉数据集上验证了其有效性。

Aug, 2021

级联稀疏空间块用于高效有效的通用物体检测

本研究提出了一种高效的目标提取方法，通过利用深度空间金字塔特征、基于 HoG 的新型快速计算边缘统计和 EdgeBoxes 得分的 'objectness' 函数，以及与稀疏感知组归一化 SVM 结合的新型空间分 bin 方式，达到了与同等速度方法相比更高的 Pascal VOC07 的回收性能，甚至仅考虑每个图像 100 个提议时，方法仍达到了 78％的召回率，并且在使用每个图像中仅 50 个提议时，改善了 RCNN 最先进的类别特定检测器的 mAP，提高了 10 个百分点。该系统对于全球 200 个类别在 ILSVRC2013 数据集中的检测表现良好，证实了其泛化能力。

Apr, 2015

提案流程

我们提出了一种基于 object proposals 的语义流的新方法，称为 proposal flow，它可以在处理图像时使用对象 proposals 来建立可靠的对应关系，并证明 proposal flow 在各种设置中均显著优于现有的语义流方法。

Nov, 2015

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