ICLRNov, 2015

DeePM: 一种用于目标检测和语义部件定位的深度基于部件模型

PDF
TL;DR本文提出了一种深度基于部件的模型（DeePM），旨在实现符号对象检测和语义部位定位，通过 PASCAL VOC 2012 数据集上的 20 种物体类别的语义部分注释来完成。DeePM 是基于最先进的 R-CNN 框架的潜在图形模型，通过灵活的类型共享学习对象 - 部分配置的显式表示。我们评估了所提出的方法在 PASCAL VOC 2012 上的对象和部分检测性能，并表明 DeePM 在检测对象和部件方面始终优于 OP R-CNN，并且在对象检测方面获得了比 Fast 和 Faster R-CNN 更好的性能。
deep part-based modelobject detectionsemantic part localizationpascal voc 2012r-cnn framework
发现论文，激发创造
  • 基于零件的 R-CNN 用于细粒度分类检测

    该论文提出了一种基于语义部分定位的细粒度分类方法，并通过利用深度卷积特征来克服对象检测困难，同时学习整个对象和零散对象部分的检测器和他们之间的几何约束，从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下，通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。

    Jul, 2014

  • DeepVoting: 一种鲁棒且可解释的深度网络，用于部分遮挡下的语义部分检测

    本文提出了一种基于深度学习的 DeepVoting 算法，该算法可以检测物体的语义部位，即使存在局部遮挡的情况，并可以同时进行端到端的优化，通过提取局部视觉线索和空间关系进行投票机制，实现了该任务。

    Sep, 2017

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014

  • 使用开放词汇部分分割技术实现更密集的结果

    本文提出了一个具有部分分割能力的检测器，可以通过多粒度对齐来预测开放词汇的物体和它们的部件分割，并通过密集语义对应将新物体解析为其部件。该方法在不同数据集上的实验表现优于基线方法，并且具有更好的数据通用性。

    May, 2023

  • 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

  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

    Jun, 2018

  • 部分遮挡物体的语义部分检测

    本篇论文介绍了一种用于检测部分遮挡对象的语义部分的方法，该方法使用本地视觉线索的置信度进行语义部分的检测并使用简单的投票技术来处理局部线索。实验证明，该方法在存在遮挡的情况下，在语义部分检测方面性能优于其他竞争方法。

    Jul, 2017

  • segDeepM: 利用深度神经网络中的分割和上下文，实现物体检测

    本文提出了一种基于目标分割来提高目标检测准确性的方法，经过实验在 PASCAL VOC 2010 数据集上相对于 R-CNN 基线与当前最先进的方法，准确度分别提高了 4.1% 和 3.4%。

    Feb, 2015

  • 基于高层引导的语义部分分割深度学习

    本研究探讨了物体分割的任务，通过使用语义分割系统和限制玻尔兹曼机的有益信息，结合 Dense CRF 标签，采用判别式方法提高了语义部分分割的性能，并在 PASCAL 数据集上展示了优越的性能。

    May, 2015

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017