本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器,即 AdaZoom,并采用可变放大倍率进行自适应多尺度检测,以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验,验证了 AdaZoom 在不同检测网络上显著提高了性能,并在这些数据集上取得了 state-of-the-art 的表现,尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。
Jun, 2021
本论文提出了一种放大和缩小的网络,用于生成物体建议,通过利用 conv/deconv 结构,引入两个特征图流的低层局部细节和高层区域语义的互补,设计了 MAD 单元来搜索神经元激活并提出新的特征图,在三个数据集上取得了比其他最新算法更好的效果。
Sep, 2017
本文提出了一种基于强化学习的通用框架,对于出现在高分辨率图像中的各种大小的物体进行检测,可以减少计算成本并保持准确性;实验结果表明,与传统方法相比,可以减少处理像素的数量达 50%,而不会降低检测精度。
Nov, 2017
本文提出了一种缩放输入和输出网络用于生成物体提议,使用不同分辨率的特征图在网络中检测各种大小的物体实例,设计缩放子网络来增加高级特征的分辨率,使用递归训练管道,匹配测试阶段的迭代回归,证明了该方法在各种评估度量中优于现有技术。
Feb, 2017
本研究提出了一种名为 “Guided Anchoring” 的替代方案,该方案利用语义特征引导区域 anchor 的选择,并成功将其应用在目标检测和 Proposal 方法中,相比 RPN 基线,在 MS COCO 数据集上使用 “Guided Anchoring” 能够在减少 90% anchor 数量的情况下提高 9.1% 的召回率,同时在 Fast R-CNN、Faster R-CNN 和 RetinaNet 中将检测 mAP 分别提高了 2.2%、2.7%和 1.2%。
Jan, 2019
本文介绍了一种结合两种方法的物体检测算法,以有效地检测高分辨率图像中的小物体,主要利用了深度学习中的特征提取模型 AlexNet。
Oct, 2015
本文提出了一种优化锚盒形状以提高目标检测精度的方法,通过动态学习锚盒形状来适应数据分布和网络学习能力,该方法对训练成本几乎没有额外开销,且能够在多个基准数据集上实现显著的改进。
Dec, 2018
本文提出了深层分层网络 HyperNet,以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征,将图像的深层、中间和浅层特征结合在一起,实现了端到端的联合训练策略,并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。
Apr, 2016
采用强化学习方法进行对象检测,采用预定义区域候选树、缩放操作和优化奖励函数等技术手段,实现更精准的物体边框配置。
Oct, 2018
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。