DeNet:利用指向性稀疏采样实现可扩展实时物体检测
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
该研究提出了一种基于显著性启发的神经网络模型,可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框,而不需要针对每个实例复制输出,并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。
Dec, 2013
文章提出了一种基于卷积神经网络的稀疏数据三维物体检测方法,称为 Generative Sparse Detection Network (GSDN),该方法将稀疏的数据集扩展成支持物体检测的密集数据,该方法在三个 3D 室内数据集上进行验证,取得了 7.14% 的相对改进,而且比最佳前期工作快了 3.78 倍。
Jun, 2020
本文提出了两种动态设计来改进 Sparse R-CNN,第一种是基于最优传输算法的动态标签分配,第二种是动态提案生成,实验结果表明我们的方法使目标检测达到了最新的表现。
May, 2022
提出 Deeply Supervised Object Detectors(DSOD)框架,实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督,DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果,并使用更小的模型参数。
Sep, 2018
本文提出了 SparseDet 这一端到端的基于点云的三维物体检测算法,通过固定数量的可学习建议来代表潜在候选框,并使用堆叠的 transformers 直接进行三维物体的分类和定位,且无需后处理步骤,相比传统方法具有更高的效率和准确率。
Jun, 2022
Sparse R-CNN 是一种用于图像中目标检测的纯稀疏方法,通过固定的稀疏一组学习目标建议代替手动定义的物体候选框,并直接输出最终预测结果,表现优于基线模型,可用于 COCO 数据集等。
Nov, 2020
本文介绍了 Sparse R-CNN 3D(SRCN3D),这是一种基于稀疏查询、稀疏注意力和稀疏预测的二阶段全稀疏探测器,用于环绕视图相机检测和跟踪。 SRCN3D 具有有效、快速和轻量级的特点,并在多目标跟踪中实现了综合利用运动特征、提议特征和 RoI 特征,与 2022.08.09 之前的最佳方法相比,在仅使用相机的多目标跟踪中,AMOTA 指标超过 10 个点。
Jun, 2022
本研究提出了一种名为 DSOD 的新型深度监督目标检测器,通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练,并在 PASCAL VOC 2007,2012 和 MS COCO 等数据集上完美取代了现有的模型。
Aug, 2017
本文介绍了一种名为 DSPDet3D 的高分辨率多层检测器,通过动态空间修剪和迭代上采样从大到小检测物体,实现了在小物体检测方面的高准确性和计算效率优化。
May, 2023