CVPRNov, 2016

现代卷积物体检测器的速度 / 准确性权衡

PDF
TL;DR本文旨在探讨如何在现代卷积物体检测系统中为给定应用程序和平台选择实现正确的速度 / 内存 / 精确度平衡的检测架构，我们提出了 Faster R-CNN、R-FCN 和 SSD 三种 meta-architectures 的统一实现，并通过其中的替代特征提取器和变化的其他关键参数（如图像大小）来跟踪速度 / 精度平衡曲线，在一端，我们提出了一种检测器，它实现了实时速度，并可部署在移动设备上，在另一端，我们提出了一种检测器，它在 COCO 检测任务中实现了最先进的性能.
发现论文，激发创造
  • 目标检测的简单训练策略和模型扩展

    本文研究物体检测系统的速度和准确率损失函数，并通过改进模型架构、训练技术等方法，将模型的准确率提升了 7.7％，速度提升了 30％。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡，产生了两个 Pareto 曲线。最后，作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。

    Jun, 2021

  • 超越权衡：基于 FCN 的面部检测器以更高的准确性加速

    本论文面向人脸检测任务，提出了一种加速方法 S2AP 和掩膜卷积操作，在保持高准确率的前提下，将 RPN 的速度提升了 4 倍，并在 FDDB、AFW、MALF 等数据集上达到了 state-of-the-art 效果。

    Apr, 2018

  • 快速 R-CNN

    本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

    Apr, 2015

  • 基于区域全卷积网络的物体检测

    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

  • Light-Head R-CNN：二阶段目标检测器之辩

    提出了一种新的基于 ResNet-101 的双阶段目标检测器 Light-Head R-CNN，通过使用一个轻量级的特征图和一个便宜的 R-CNN 子网络来实现网络头部的最小化，而且在 COCO 上表现良好，在保持时间效率的同时也比单阶段的快速检测器像 YOLO 和 SSD 更准确。

    Nov, 2017

  • 重新审视 RCNN：唤醒 Faster RCNN 的分类能力

    本文提出了一种针对现有目标检测器分类失败问题设计的基于多任务学习的解决方案，其中使用一种 Decoupled Classification Refinement（DCR）网络对分类错误进行有效的样本采样和重新分类。

    Mar, 2018

  • 特征融合 SSD：小物体快速检测

    本论文提出了一种针对小目标检测的实时多层次特征融合方法，与基线 SSD 相比，在保证检测速度的同时，在某些小目标类别上提高了 2-3 个点的检测精度，尤其是使用了合并和元素加和两种特征融合模块，其测试速度分别为 43 和 40 FPS。

    Sep, 2017

  • 面向物体检测的轻量级卷积神经网络

    本篇研究提出了一个细节较大的目标检测模型，利用多种轻量级网络进行特征提取，同时采用通道压缩算法提高模型执行速度，在 CPU 上实现准确率仅下降至 91.43 AP 的实时推断。

    Jul, 2017

  • 人脸 R-CNN

    提出了一种基于 Faster R-CNN 的深度人脸检测方法，通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段，名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。

    Jun, 2017

  • YOLOv4：目标检测的最优速度和准确度

    论文使用多种通用特征，如批量归一化和残差连接以及新增特征，如 Mish 激活功能，实现卷积神经网络的最新成果，在实时速度下达到了 MS COCO 数据集的 43.5% AP（65.7% AP50）。

    Apr, 2020