Aug, 2016

多阶段对象检测，使用组递归学习

PDF
TL;DR本文提出了一种基于 EM-like group recursive learning 和 multi-stage architecture 的新型物体检测方法，通过引入周围 proposals 的上下文信息来迭代地提升物体 proposals 的准确性，并结合弱监督物体分割和基于区域的物体检测方式以全方位地利用分割特征从而提高检测精度，该算法在 PASCAL VOC2007 和 VOC2012 数据集上的得分分别高达 78.6% 和 74.9%，显著优于许多现有算法。
发现论文，激发创造
  • 弱监督级联卷积网络

    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

  • 递归检测：端到端基于区域的递归目标检测

    通过共享参数和引入递归解码器，以及在提议框中采用位置编码，该论文提出的 RecursiveDet 方法能够在减少模型参数和稍微增加计算成本的同时，显著提高端到端区域对象检测的性能。

    Jul, 2023

  • 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

  • 可扩展的高质量目标检测

    本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

    Dec, 2014

  • 基于递归训练的缩放网络用于目标提案

    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

  • 级联稀疏空间块用于高效有效的通用物体检测

    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

  • 多阶段强化学习用于目标检测

    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

  • 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

  • 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

  • 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