使用多样化建议来学习检测
针对资源受限视觉任务中目标检测器的复杂度与精度权衡问题,研究了检测头中建议处理的影响,提出动态建议处理(Dynamic Proposal Processing,DPP)的概念,将更多计算分配给好的建议,使得可用计算预算得到更好的利用,从而在相同的 FLOPS 下实现更高的准确度。DPP 可作为函数实现并用于端到端的物体检测器中,相较于现有的端到端对象检测器(DETR,Sparse R-CNN),在给定计算复杂度的情况下,明显提升了性能。
Jul, 2022
该研究提出了一种新的 Deformable Polar Polygon Object Detection 方法,使用带有灵活顶点的稀疏多边形表示来实现精确形状对齐和低计算成本,通过稠密重新采样训练和预测多边形,实现高精度的物体形状学习,并成功应用于自动驾驶中的各种物体检测任务。
Apr, 2023
本文探讨了如何通过重新参数化核矩阵,并提出了一种新的基于大间隔分离原则的参数估计技术来学习标记训练数据的 DPP 的参数(核矩阵),以及在文档和视频摘要的挑战性应用中使用我们提出的方法进行建模。
Nov, 2014
本文提出了一种基于置信传播聚类(CP-Cluster)的物体检测方法,它采用了置信度信息的信息传递机制,能够同时去除冗余的检测框并增强真正的正类检测框。与传统的基于 NMS 的方法相比,在不重新训练检测器的情况下,我们的方法能够显著提高各种主流检测器的平均精度。
Dec, 2021
通过 Debiased Region Mining (DRM) 方法和半监督对比学习来解决目标检测中的偏见问题,提出了一种能够有效发现、定位和聚类新类别的训练器,其在 NCDL 基准测试中显著优于先前的方法,成为了新的最先进技术。
Feb, 2024
本文探讨了使用 Determinantal Point Process (DPP) 的无监督惩罚损失方法以及内嵌在敌对训练和变分自编码器中的生成 DPP 方法。这种方法可以生成更高质量的样本而且更具多样性,同时不会改变原始的训练方案。
Nov, 2018