Apr, 2016

多路径网络用于物体检测

PDF
TL;DR本研究基于 COCO object detection dataset，对目标检测中因包含大规模物体、非典型图像和需要更精确定位而带来的挑战进行了研究和探究，提出了三个标准 Fast R-CNN 对象探测器的改进，包括 Skip Connection、Foveal Structure 和 Integral loss function 等，最终的改进被称为 MultiPath network，并与 DeepMask object proposals 组合使用，综合测试结果表明，在小物体方面我们的改进收到了 4 倍的提升，在 COCO 2015 检测和分割挑战中也取得了较好的成绩。
object detectioncoco datasetfast r-cnnmultipath networksegmentation masks
发现论文，激发创造
  • 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

  • FastMask: 一键分割多尺度物体候选区

    本文提出了一种新的分段建议框架 FastMask，该方法利用深度卷积神经网络中的分层特征一次性分割多尺度对象，并在 MS COCO 基准测试中取得了优于现有方法 2-5 倍的平均检出率，同时可以在接近实时的速度下对 800 * 600 分辨率图像中的物体进行分割，该方法具有实际应用的潜力。

    Dec, 2016

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • DeepID-Net: 多阶段和可形变深度卷积神经网络用于目标检测

    本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

    Sep, 2014

  • 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

  • DetNet：一种用于物体检测的骨干网络

    本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

    Apr, 2018

  • 基于区域全卷积网络的物体检测

    本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果，测试时间为每张图像 170ms，比 Faster R-CNN 快 2.5-20 倍。

    May, 2016

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • DANet：通过高效的变形注意力网络提升小目标检测

    在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

    Oct, 2023

  • 跨域对象姿态估计的多路径学习

    提出了一种可扩展的对象姿态估计方法，使用多个三维模型的模拟 RGB 视图进行训练，并使用所谓的 “多路径学习” 技术，涉及共享编码器和不同解码器，从而实现对不同实例的通用编码器的训练。在多个数据集上实现了最先进的 6D 目标检测结果。

    Aug, 2019