NIPSNov, 2016

使用深度强化学习进行层次化物体检测

PDF
TL;DR本文提出了一种使用深度强化学习引导的层级目标检测方法，通过选择含有更多信息的图像部分并对其进行放大来不断迭代提高图像的分析效果，并比较了两种不同的候选对象建议策略，以指导对象搜索，实验表明，采用重叠的候选建议策略和为每个区域建议计算特征映射的第一种策略能够取得更好的结果。
hierarchical object detectiondeep reinforcement learningregion candidatesconvolutional neural networkfeature maps
发现论文，激发创造
  • 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

  • 深度强化学习目标检测

    本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

    Aug, 2022

  • 基于深度强化学习的大图像目标检测方法

    为了减少使用高空间分辨率图像所带来的计算和货币成本，我们提出了一种强化学习代理，该代理自适应地选择提供给探测器的每个图像的空间分辨率，并使用双重奖励设置对代理进行训练，以选择低空间分辨率图像，以运行粗级探测器，同时选择高空间分辨率图像，则运行精细级探测器，该方法在维持与仅使用高分辨率图像的检测器相似的准确性的同时，将运行时间效率提高了 50％，只使用高分辨率图像 30％的时间

    Dec, 2019

  • 基于循环注意力增强学习的多标签图像识别

    本研究提出了一种循环注意强化学习框架，通过迭代地发现一系列关注和信息区域，以及进一步预测这些区域中的标签得分，从而实现多标签图像识别。

    Dec, 2017

  • 利用深度强化学习进行主动物体定位

    提出了一种用于在场景中定位目标物体的主动检测模型，该模型是类特定的，并允许代理集中注意力于识别目标物体的候选区域，通过深度强化学习训练定位代理，并在 Pascal VOC 2007 数据集上评估，结果表明，使用该模型指导的代理能够在分析图像中仅仅探测 11 到 25 个区域后定位一个物体实例，并且在不使用物体提议进行物体定位的系统中取得了最佳的检测结果。

    Nov, 2015

  • HyperNet：准确区域提议生成与联合目标检测

    本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

    Apr, 2016

  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 视频视觉目标跟踪的深度强化学习

    本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

    Jan, 2017

  • 高分辨率图像的高效目标检测

    本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型 AlexNet。

    Oct, 2015

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015