网格损失：检测遮挡面部

ECCVSep, 2016

Grid Loss: Detecting Occluded Faces

Michael Opitz, Georg Waltner, Georg Poier, Horst Possegger, Horst Bischof

TL;DR本研究提出了一种名为 Grid loss 的 CNN 模型损失函数，该函数能够独立地在卷积层的子块上最小化误差率，以实现部分遮挡物体的检测，经实证表明，该方法可以用于人脸检测，并在几个公共数据集上跑出了最优性能，适用于实时应用程序。

Abstract

Detection of partially occluded objects is a challenging computer vision problem. Standard convolutional neural network (CNN) detectors fail if parts of the detection window are occluded, since not every sub-part

partially occluded objects convolutional neural network grid loss face detection realtime applications

发现论文，激发创造

使用遮挡图和批量三元组损失增强用于人脸识别的卷积神经网络

该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

Jul, 2017

抗部分遮挡的鲁棒方法

本文通过引入遮挡，利用斯坦福汽车数据集，创建综合分析模型，研究了不同模型在不同遮挡条件下的性能，可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。

Apr, 2023

网格 R-CNN

本文提出了一个名为 Grid R-CNN 的新型物体检测框架，它采用网格引导的定位机制实现准确的目标检测，其与传统的基于回归的方法进行了不同的创新，显式地捕获了空间信息并享有卷积架构的位置敏感性，同时采用多点监督公式设计来编码更多信息以减少特定点预测的不准确影响。为了充分利用网格中各点的关联性，提出了一种两阶段信息融合策略来融合相邻网格点的特征图，基于这些创新特性，Grid R-CNN 实现了高品质的目标定位，实验显示，与 Res50 和 FPN 架构的 Faster R-CNN 相比，在 COCO 基准测试中，在 IoU=0.8 和 0.9 时，AP 分别增加了 4.1% 和 10.0%。

Nov, 2018

G-CNN：一种基于迭代网格的物体检测器

G-CNN 是一种基于 CNN 的目标检测技术，通过对固定边界框的移动和缩放以及径向搜索，将目标检测建模为从固定网格到紧密围绕目标的边界框的路径查找，比起传统提案算法的方法可以在较少数量的边界框的同时提高检测速度。

Dec, 2015

学习预测清晰的边界

本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络，该网络有效地利用层次特征并生成像素精确的边界掩模，从而不需要后处理即可生成准确、锐利的边缘。实验结果表明，这种方法不仅可以促进 CNN 的视觉结果，而且在 BSDS500 数据集（ODS F - 得分为 0.815）和 NYU Depth 数据集（ODS F - 得分为 0.762）上可以实现超越最新技术水平的结果。

Jul, 2018

DOOBNet：图像深度目标遮挡边界检测

本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

Jun, 2018

在多层网格地图中捕捉物体检测的不确定性

该研究提出了一种基于深度卷积对象检测器的自动驾驶应用程序，该检测器还估计了每个检测到的对象的分类、姿态和形状不确定性。

Jan, 2019

基于双层网络结构的遮挡感知实例分割

通过 Bilayer 卷积网络和视觉 Transformer 对遮挡的目标进行建模，以同时检测遮挡物和部分遮挡实例，并使用遮挡物和遮挡实例查询将遮挡关系分离，从而实现图像实例分割。

Aug, 2022

Mask-CNN：用于细粒度图像识别的局部化部件和特征选择

本文提出了一种新颖的端到端 Mask-CNN 模型，旨在解决细粒度图像识别中的挑战，这个模型基于细粒度图像的部件注释，通过卷积网络定位亚区别的部件并生成对象 / 部件掩模，实现对有用和有意义的卷积描述符的选择并聚合在一起，此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。

May, 2016

用残差卷积 - 反卷积网格网络进行语义分割

GridNet 是一种新的卷积神经网络结构，用于实现语义图像分割任务。该网络采用网格模式使得多个互相连接的流可以在不同的分辨率下工作，以解决特征图降维带来的分辨率丢失。与传统的神经网络相比，GridNet 在 Cityscapes 数据集上表现出了更好的性能。

Jul, 2017