Jun, 2017

目标检测的点链接网络

PDF
TL;DR使用深度卷积神经网络实现了基于点和连接线的物体包围框表示方法 Point Linking Network（PLN），相比现有算法更具鲁棒性，可以应对物体遮挡、比例和长宽比等变化，且在多个基准测试数据集上均取得了最先进的单模型、单尺度检测结果。
发现论文，激发创造
  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 通过单点监督的点对盒子网络，实现精准物体检测

    本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

    Jul, 2022

  • YOLOPoint 关节点和物体检测

    未来的智能车辆必须能够理解并安全地穿行其周围环境。基于摄像头的车载系统可以使用关键点和物体作为 GNSS 无关的 SLAM 和视觉里程计的低级和高级地标。为此，我们提出了 YOLOPoint，一种将 YOLOv5 和 SuperPoint 结合起来，在图像中同时检测关键点和物体的卷积神经网络模型，通过使用共享骨干和轻量级网络结构，YOLOPoint 在 HPatches 和 KITTI 基准测试上表现出了竞争力。

    Feb, 2024

  • 通过贝叶斯优化和结构化预测提升深度卷积神经网络的物体检测

    本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

    Apr, 2015

  • LocNet: 提高物体检测的定位精度

    本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

    Nov, 2015

  • CornerNet：将物体检测作为配对关键点的检测

    通过使用单个卷积神经网络将检测到的目标边界框检测为一对关键点（左上角和右下角），我们提出了一种名为 CornerNet 的新的目标检测方法，并且引入了一种新的池化层 ——corner pooling，该方法有助于网络更好地定位角点，实验表明在 MS COCO 上，CornerNet 实现了 42.2％的 AP，优于所有现有的一阶段检测器。

    Aug, 2018

  • 无 Anchor，两阶段物体检测的角点提案网络

    该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CPN 实现了 49.2% 的 AP，超越了大多数同样推理速度的竞争对手。

    Jul, 2020

  • VoxelNet：基于点云的三维物体检测的端到端学习

    VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

    Nov, 2017

  • 使用深度神经网络实现可扩展的物体检测

    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

  • DeRPN：迈向更普适物体检测的更进一步

    本文介绍一种新的维度分解区域提议网络 (DeRPN)，采用 anchor string 机制独立匹配物体的宽度和高度，适用于不同形状物体，针对不同比例物体的不平衡损失计算，设计了新颖的尺度敏感损失函数。在多个数据集测试中，DeRPN 相较传统 RPN 方法具有更好的性能和适应性，且不需要调整超参数或专门优化。

    Nov, 2018