使用循环滚动卷积的准确单阶段检测器

CVPRApr, 2017

使用循环滚动卷积的准确单阶段检测器

Accurate Single Stage Detector Using Recurrent Rolling Convolution

Jimmy Ren, Xiaohao Chen, Jianbo Liu, Wenxiu Sun, Jiahao Pang...

TL;DR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。

Abstract

Most of the recent successful methods in accurate object detection and localization used some variants of R-CNN style two stage Convolutional Neural Networks (CNN) where plausible regions were proposed in the first stage then followed by a second stage for decision refinement. Despite

object detection convolutional neural networks recurrent rolling convolution kitti dataset single stage methods

发现论文，激发创造

准确物体检测与语义分割的丰富特征层次结构

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

概率两阶段检测

该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。

Mar, 2021

Cascade R-CNN：深入探索高质量目标检测

本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

Dec, 2017

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

面向 R-CNN 的对象检测

本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

Aug, 2021

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

网格 R-CNN

本文提出了一个名为 Grid R-CNN 的新型物体检测框架，它采用网格引导的定位机制实现准确的目标检测，其与传统的基于回归的方法进行了不同的创新，显式地捕获了空间信息并享有卷积架构的位置敏感性，同时采用多点监督公式设计来编码更多信息以减少特定点预测的不准确影响。为了充分利用网格中各点的关联性，提出了一种两阶段信息融合策略来融合相邻网格点的特征图，基于这些创新特性，Grid R-CNN 实现了高品质的目标定位，实验显示，与 Res50 和 FPN 架构的 Faster R-CNN 相比，在 COCO 基准测试中，在 IoU=0.8 和 0.9 时，AP 分别增加了 4.1% 和 10.0%。

Nov, 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

Cascade R-CNN：高质量的目标检测和实例分割

提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

Jun, 2019

用于边缘检测的更丰富的卷积特征

该研究提出了一种准确的边缘检测器，利用丰富的卷积特征和多尺度多级信息相结合的方法达到了目标，并在计算机视觉任务中取得了最先进的结果。

Dec, 2016