感知对抗生成网络用于小物体检测
通过使用基于 GAN 的增强方法,可以改善在 VOC Pascal 数据集上的小物体检测。实验证明,该方法可以提高小物体检测的精度,并且与其他流行的增强策略(如物体旋转和平移)相比表现更佳,基于 FasterRCNN 模型实现。
Aug, 2022
本文介绍了一种新颖的网络训练方法和学习目标,采用深度生成对抗网络以及新的相似度度量方法,用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN,以实现对应用的提高和优化。
Nov, 2017
本文介绍了一种利用生成模型来解决在小样本数据集下机器学习中的物体检测问题的方法,旨在克服 “稀缺性” 和 “注释费用高” 等挑战,本文采用一种新型滚动机制的模型,可以同时优化生成模型和探测器,以提高探测器性能,结果表明本方法在疾病检测和小数据行人检测等数据集上表现优异,相对平均精度提高了 20%,定位精度提高 50%。
Oct, 2019
本文介绍了基于 EESRGAN 的远程感知图像增强方法和在端到端上使用检测网络来提高小目标检测性能的模型,实验结果表明,与现有最先进的物体检测器相比,该方法在公共和自组装数据集上均表现出优越的性能。
Mar, 2020
该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示,使用合成图像和 GAN 翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过 0.95 的平均精度。
May, 2018
本研究提出了一种基于生成对抗网络的目标检测框架(GAN-DO),可用于生成具有鲁棒性的特征以提高图像质量较差情况下的目标检测精度,不增加模型复杂度或推理速度,能通用于各种深度神经网络结构,并在常用数据集上实现了较高的检测准确性。
Dec, 2019
本文提出了一种神经架构搜索方法,将神经架构搜索和生成对抗网络与最近的感知超分辨率相结合,将小型感知超分辨率模型的效率推向极致,适用于末端设备。该方法搜索生成器和鉴别器的结构,优于现有方法,可以让感知 SR 模型比 SRGAN 快 26.4 倍,同时保持较高的质量。
Jul, 2020
本研究提出了一种基于生成对抗网络(GAN)框架的方法,通过联合训练高级别类别损失和低级别特征损失,获得生成对抗图像和视频,并成功解决了对目标检测模型的对抗攻击中存在的二合一问题:低的迁移能力和高的计算成本。
Nov, 2018
本研究提出了一种新方法,用于通过生成式对抗网络(GAN)训练理解物体的详细三维形状以及从二维图像中重建三维形状和形状完成。该方法使用梯度惩罚的 Wasserstein 距离作为训练目标,从而从联合对象形状分布中获得更好的生成效果,并在与现有基线比较中取得了明显的数量级改进。
Jul, 2017