从图像中提取CRAFT物体
本研究提出了一种高效的目标提取方法,通过利用深度空间金字塔特征、基于HoG的新型快速计算边缘统计和EdgeBoxes得分的'objectness'函数,以及与稀疏感知组归一化SVM结合的新型空间分bin方式,达到了与同等速度方法相比更高的Pascal VOC07的回收性能,甚至仅考虑每个图像100个提议时,方法仍达到了78%的召回率,并且在使用每个图像中仅50个提议时,改善了RCNN最先进的类别特定检测器的mAP,提高了10个百分点。该系统对于全球200个类别在ILSVRC2013数据集中的检测表现良好,证实了其泛化能力。
Apr, 2015
本文提出一种完全卷积的区域提议网络(RPN),在同时预测目标边界和目标特征分数的同时,使用完全图像卷积特征共享检测网络的特征。
Jun, 2015
本文旨在研究在基于卷积神经网络(CNNs)的检测器中,Proposal Generation在模型中的作用,分析其是否是必要的建模组件,承载比CNN本身多的关键几何信息,或者仅仅是一种加速检测的方法。我们通过设计和评估一个检测器来证明使用Proposal Generation仅仅是一种加速检测的方法,不需要使用其他算法处理图像。同时,我们还提出了多个改进方案,简化了基于CNN的检测器的训练,加速了检测。
Jun, 2015
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。
Apr, 2016
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
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
本文提出一种多阶段目标检测架构,Cascade R-CNN,通过一系列的检测器训练,逐步提高在增加交并比(IoU)阈值下对近似假阳性的选择性,从而减少过拟合问题,并在推理时提供更接近每个阶段检测器质量的假设匹配,实现在COCO数据集上比所有单模型目标检测器表现更好。
Dec, 2017
提出了一种基于网络架构设计的物体提议算法,该算法具有许多优势,例如对物体大小的范围从非常小到非常大的尺度具有平移不变性,具有平移变性的限制框回归,具有大的有效感受野来捕捉全局上下文等,可以显著地提高提议平均召回率,并且实时性能也非常好。
Jul, 2018
本文提出了一种名为R-DAD的检测器,通过将物体区域分解成多个小区域,并对区域和整个物体区域进行CNN特征提取、多阶段区域组装、多尺度区域提议等方式,以提高物体检测的准确性。在PASCAL07/12和MSCOCO18数据集上的实验结果表明,相对于最近的卷积检测器,该检测器明显提高了性能。
Jan, 2019
Sparse R-CNN是一种用于图像中目标检测的纯稀疏方法,通过固定的稀疏一组学习目标建议代替手动定义的物体候选框,并直接输出最终预测结果,表现优于基线模型,可用于COCO数据集等。
Nov, 2020