Jul, 2016

用于平均精度目标类别检测器的端到端训练

PDF
TL;DR该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。
发现论文，激发创造
  • 超越 mAP: 迈向更好的实例分割评估

    本文提出两个新的度量标准来明确测量空间和类别重复预测的数量，并提出基于像素占用匹配方案的语义排序和非极大值抑制模块，以减轻权衡预测并保留平均精度。

    Jul, 2022

  • 精准一阶段物体检测的 AP 误差

    本文提出了一种有效的方法，将一阶段目标检测器的分类任务替换为排名任务，并采用平均准确率 (Average-Precision) 损失函数，通过优化算法，处理了训练中的极端正负样本不平衡问题，获得了比现有 AP-based 优化算法更出色的实验结果。

    Aug, 2020

  • 计算平均精度的并行实现

    通过使用广播，掩码和索引，我们提出了一种并行化的方法来处理检测到的边界框和真实值边界框，以计算平均精度，并且我们的实现是基于 PyTorch 和 TensorFlow 的，因此更快，更容易适应典型的训练例程。

    Jun, 2022

  • 具有 AP 损失函数的精确单阶段目标检测

    本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

    Apr, 2019

  • 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

  • 全卷积网络实现端到端目标检测

    本文针对基于全卷积网络的主流目标检测器在进行完全端到端训练时需要手动设计的非极大值抑制（NMS）后处理方法进行分析，发现正确的标签赋值在其中起着至关重要的作用。本文提出了一种名为预测感知一对一（POTO）的分类标签赋值方法，使得在完全卷积检测器中使用该方法实现了端到端检测，并且与使用 NMS 方法相比具有可比性能。此外，本文还提出了一个简单的三维最大过滤（3DMF）来利用多尺度特征，并提高局部区域内卷积的可区分度。借助这些技术，本文的端到端框架在 COCO 和 CrowdHuman 数据集上取得了与许多最先进的具有 NMS 的检测器相当的性能。

    Dec, 2020

  • 学习非极大值抑制

    通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

    May, 2017

  • 目标检测评估的最优纠错成本

    我们提出了一种名为 OC-cost 的方法，它通过解决检测和实际情况间的最佳传输问题来度量检测器的准确性，避免了 mAP 只能从排序检索方面评估的缺点。与 mAP 相比，OC-cost 更加准确和公平，能够提供一个额外的度量工具来评估检测器。

    Mar, 2022

  • 卷积网络、可变形配件模型和非极大值抑制的端到端集成

    本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分，从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。

    Nov, 2014

  • 用卷积神经网络进行非最大值抑制

    本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。

    Nov, 2015