通过拼接特征图以增强 SSD 进行目标检测
该研究提出了一种名为 SSD 的方法,使用单个深度神经网络在图像中检测对象,在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框,利用不同分辨率的多个特征图进行预测,并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。
Dec, 2015
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
本文提出了一种增强了 SSD 的神经网络模型 FSSD,通过轻量级的特征融合模块,能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测,从而提高检测精度,同时保证了检测速度。实验表明,相较于传统的 SSD 等许多对象检测算法,FSSD 在准确度和速度两方面都有较明显的提升。
Dec, 2017
本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD),通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD,提高了其对于局部和语义信息的分析能力,解决了特征抽取和非极大值抑制两个关键问题,进而在行为检测中取得了优异的表现。
Oct, 2022
本研究提出了一种新的目标检测方法,通过使用 Residual-101 和 SSD 结合,再结合反卷积层来增加大规模语境,提高小目标检测的准确性,并通过在 PASCAL VOC 和 COCO 数据集上进行测试,取得了比当期最先进的方法还要优异的成果。
Jan, 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
本文介绍了如何在最小化计算成本的同时,通过采用和组合最新技术创新来实现多类别物体检测任务的最先进准确度。设计原则是 “少通道多层”,采用了一些基本块,包括拼接 ReLU、Inception 和 HyperNet, 在 VOC2007 上达到 83.8%的 mAP,VOC2012 为 82.5%mAP(第 2 名),仅使用 Intel i7-6700K CPU 单核时,每张图像仅需 750ms,在 NVIDIA Titan X GPU 上为 46ms / 图像,其网络与 ResNet-101 相比,计算成本只需 12.3%。
Aug, 2016
本研究提出了一种针对小物体检测的多尺度解卷积单镜头探测器 (MDSSD) 架构,通过融合高级语义特征和低层的空间信息,提高了小物体检测的精度,并在多个数据集上取得了比同类算法更好的性能。
May, 2018
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
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