用于边缘检测的更丰富的卷积特征
通过将边缘检测器作为层核心并设计一个二进制边缘特征分支(BEFB)来学习二进制边缘特征,结合纹理特征并将其与主干网络结合,以增强深度卷积神经网络(DCNN)的鲁棒性。实验证明,采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性,并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强 DCNN 的鲁棒性。
Feb, 2024
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
使用基于 ResNet 的多路径细化 CNN 用于对象轮廓检测,利用高、中、低级别特征融合的方法进行网络训练,实现了边缘检测任务的最佳性能,最终在经过改进的 PASCAL-val 数据集上获得了 ODS 值 0.752,同时,在 BSDS500 数据集上进行微调,实现了 ODS 值 0.824,达到了当前领域的最优水平。
Apr, 2019
本文提出一种新的单级端到端可训练目标检测网络,采用循环滚动卷积 (RRC) 架构在多尺度特征图上构建物体分类器和边界框回归器来克服单级检测方法的限制。在挑战性的 KITTI 数据集上评估了我们的方法,证明 RRC 已经在 KITTI 车辆检测 (困难级别) 中超越了之前所有已发布的结果。
Apr, 2017
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
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.
Nov, 2016
本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素,通过一种新的优化架构,使用自上而下的反向优化路径对特征图进行逐步加精,本研究获得了比人类更准确的性能表现,在计算机视觉中的多个重要应用中取得了较好效果,尤其是在语义分割这一应用领域表现突出。
Jan, 2018
利用深度学习技术提高了 faster RCNN 的性能,实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。
Jan, 2017
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
本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法,该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果,并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验,结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。
Jun, 2024