内外网络：使用跳池化和循环神经网络在上下文中检测对象

Dec, 2015

内外网络：使用跳池化和循环神经网络在上下文中检测对象

Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks

Sean Bell, C. Lawrence Zitnick, Kavita Bala, Ross Girshick

TL;DR本文介绍了使用 Inside-Outside Net（ION）实现的物体检测器，它在感兴趣区域内外分别利用信息及多尺度表示，并结合了空间循环神经网络依靠感兴趣区域外的语境信息。该方法在 PASCAL VOC 2012 和 MS COCO 等数据集上均取得了优于当时最优结果的表现，并提供了通用的设计原则和技巧，结果表明多尺度表示和上下文信息对小物体检测有明显的改善。

Abstract

It is well known that contextual and multi-scale representations are important for accurate visual recognition. In this paper we present the inside-outside net (ION), an →

inside-outside net object detector contextual information spatial recurrent neural networks multi-scale representations

发现论文，激发创造

自动上下文区域卷积神经网络

本文提出了一种自适应挖掘周边上下文信息的 RoI 运算符，并将其无缝集成到 R-CNN 中，形成了一种端到端训练的物体检测系统，称为自上下文 R-CNN。在 Pascal VOC、Microsoft COCO 和 KITTI 数据集上进行了实验，结果证明该方法在鲁棒性、鲁棒性和对抗攻击方面均表现良好。

Jul, 2018

边缘保护和多尺度上下文神经网络用于显著目标检测

本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

Aug, 2016

RON: 搭载有物体先验信息网络的反向连接目标检测

RON 是一种用于物体检测的高效框架，利用反向连接和 objectness prior 来解决多尺度物体定位和负样本挖掘的问题，并且使用多任务损失函数来进行优化。实验证明，在 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 数据集上，RON 具有竞争性的性能和更快的速度。

Jul, 2017

目标检测的关注上下文

通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

Mar, 2016

结构推断网络：利用场景级别上下文和实例级别关系进行目标检测

本研究提出一种基于图结构推理的对象检测算法，同时考虑了对象的视觉外观、场景语境以及对象之间的关系，并将其视为认知和推理问题，通过实验表明，这种方法确实可以提高对象检测的性能。

Jun, 2018

PVANET: 实时目标检测的深度轻量级神经网络

本文介绍了如何在最小化计算成本的同时，通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”，采用了一些基本块，包括拼接 ReLU、Inception 和 HyperNet，在 VOC2007 上达到 83.8％的 mAP，VOC2012 为 82.5％mAP（第 2 名），仅使用 Intel i7-6700K CPU 单核时，每张图像仅需 750ms，在 NVIDIA Titan X GPU 上为 46ms / 图像，其网络与 ResNet-101 相比，计算成本只需 12.3％。

Aug, 2016

基于级联区域提议和全局上下文的深度目标检测

本文详细介绍了如何通过改进区域提议和深度对象识别两个步骤来提高 Faster R-CNN 的效果。我们提出了一种新的轻量级级联结构，可以有效地提高区域提议质量，重新实现了全局上下文建模，同时广泛应用预训练思想，最终在几个测试数据集上均获得了优异的结果。

Oct, 2017

基于深度特征的目标检测上下文模型

本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

Apr, 2016

LocNet: 提高物体检测的定位精度

本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

Nov, 2015

I3Net：隐式实例不变网络用于调整一阶段物体探测器

本文提出了一种适用于单级检测器的隐式实例不变网络（I3Net），通过利用不同层次深度特征的自然特点，从三个方面促进适应：动态和类平衡权重（DCBR）策略、类别感知对象模式匹配（COPM）模块和正则化联合类别对齐（RJCA）模块。实验结果表明，I3Net 在基准数据集上优于现有技术的性能。

Mar, 2021