从大图像中检测小标志
本文提出了一种基于卷积神经网络的无尺度检测技术,通过采用上下文感知的 RoI 池化和多分支决策网络,实现了无尺度对象识别,并在多个数据集上达到最优准确性和速度。
Apr, 2018
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度,并通过通道来提取比例尺度。为了实现快速部署,将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合,利用了膨胀卷积。在 COCO test-dev 上,该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度,并且无需额外的 FLOPS 即可超越基线模型。
Sep, 2019
交通信号灯检测是自动驾驶汽车和驾驶员辅助系统中的一个具有挑战性的问题。本文提出了一种新的交通信号灯检测系统,通过使用通用物体候选生成、精细化的多尺度特征以及注意力机制进行高效处理,解决了卷积神经网络中下采样导致的低分辨率特征对检测的影响问题,并通过对比实验表明,在小型和微型的交通信号灯上至少有 12.6% 的显著改进效果,并且在各种尺寸的交通信号灯上都表现出强大的效果。
Jul, 2023
该论文提出了一种使用胶囊网络的交通标志检测新方法,通过动态路由和路由协议算法,胶囊网络可以更好地捕获图像的姿态、视角和方向,提高了自主车辆交通标志检测的可靠性和准确性。
May, 2018
通过结合卷积网络和 Transformer 网络的优势,本研究提出了一种新型的模型用于交通标志识别,实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率,并且在保持快速推理速度的同时,更适合实际应用。
Nov, 2023
本文提出了一种基于深度卷积神经网络的实时嵌入式物体检测算法 Tiny SSD,通过高度优化的非均匀 Fire 子网堆栈和高度优化的非均匀 SSD 辅助卷积特征层,将模型大小控制在 2.3MB (~ 比 Tiny YOLO 小 26 倍) 的情况下,仍然能够在 VOC 2007 上实现 61.3%(比 Tiny YOLO 高 4.2%)的 mean average precision (mAP),结果表明可以为嵌入式场景设计非常小的深度神经网络体系结构以进行实时物体检测。
Feb, 2018
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
本文提出了一种尺度不变的卷积神经网络(SiCNN),采用多列结构,每一列专注于特定尺度,用尺度变换共享相同的滤波器参数,以应对尺度变化,实验结果表明 SiCNN 能够检测各种尺度的特征,并且分类结果表现出对物体尺度变化的强大鲁棒性。
Nov, 2014
提出了一种利用上下文改进小目标检测准确性的方法,该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性,并提出带有注意机制的物体检测方法,可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明,该方法在检测小目标方面的准确性比传统 SSD 更高,在 PASCAL VOC2007 测试集上实现了 78.1%的 mAP。
Dec, 2019