ICLRNov, 2015

物体检测和实例分割的分解学习

PDF
TL;DR本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。
convolutional neural networksobject detectionrecurrent layersend-to-end trainableneural network architecture
发现论文，激发创造
  • 卷积网络、可变形配件模型和非极大值抑制的端到端集成

    本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分，从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。

    Nov, 2014

  • 学习非极大值抑制

    通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

    May, 2017

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015

  • 使用深度神经网络实现可扩展的物体检测

    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

  • 弱监督深度检测网络

    本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

    Nov, 2015

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    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

  • 弱监督级联卷积网络

    本研究提出了基于级联卷积神经网络的两种体系结构，旨在解决在没有昂贵人工注释下进行的弱监督下的目标检测问题，第一阶段从全卷积神经网络中提取类特定区域提议的最佳候选项，在三阶段体系结构中，中间阶段通过第一阶段的激活映射来提供物体分割。这些体系结构在弱监督目标检测，分类和定位领域的实验中表现出了改进。

    Nov, 2016

  • 快速物体检测的统一多尺度深度卷积神经网络

    本文提出了多尺度卷积神经网络（MS-CNN）用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练，同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。

    Jul, 2016

  • 全卷积网络实现端到端目标检测

    本文针对基于全卷积网络的主流目标检测器在进行完全端到端训练时需要手动设计的非极大值抑制（NMS）后处理方法进行分析，发现正确的标签赋值在其中起着至关重要的作用。本文提出了一种名为预测感知一对一（POTO）的分类标签赋值方法，使得在完全卷积检测器中使用该方法实现了端到端检测，并且与使用 NMS 方法相比具有可比性能。此外，本文还提出了一个简单的三维最大过滤（3DMF）来利用多尺度特征，并提高局部区域内卷积的可区分度。借助这些技术，本文的端到端框架在 COCO 和 CrowdHuman 数据集上取得了与许多最先进的具有 NMS 的检测器相当的性能。

    Dec, 2020

  • 通过消除启发式 NMS 简化的物体检测

    本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架，使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对 COCO 数据集的优越性能。

    Jan, 2021