用于单阶段检测的残差特征和统一预测网络

Jul, 2017

用于单阶段检测的残差特征和统一预测网络

Residual Features and Unified Prediction Network for Single Stage Detection

Kyoungmin Lee, Jaeseok Choi, Jisoo Jeong, Nojun Kwak

TL;DR该论文提出了一种方法，使用 Resblock 和反卷积层丰富特征图的表示能力并应用统一预测模块来提高早期层的表示能力，从而在 PASCAL VOC 和 MS COCO 上实现了比 SSD 更高的得分，并保持了单级检测器的快速计算的优势。

Abstract

Recently, a lot of single stage detectors using multi-scale features have been actively proposed. They are much faster than two stage detectors that use region proposal networks (RPN) without much degradation in the detection performances. However, the feature maps in the lower layers

single-stage detector multi-scale features resblock deconvolution layers unified prediction module

发现论文，激发创造

远程感知中的设备推理的两阶段检测简化

该论文提出了一种用于两阶段目标检测器的模型简化方法，通过仅使用一个特征提取来减少计算成本，同时通过对 RPN 的得分图应用高通滤波器来弥补精度下降，实验结果显示，在 DOTAv1.5 数据集上我们的方法在计算成本上降低了 61.2%，精度损失不超过 2.1%。

Apr, 2024

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

通过拼接特征图以增强 SSD 进行目标检测

本篇论文提出一种改进传统 SSD 方法的物体检测算法，通过有效地利用特征图，提高了算法的检测精度，其中将 ResNet 应用于分类网络构造取得了不错的效果，并在 PASCAL VOC 2007 数据集上表现出优越的检测精度和速度。

May, 2017

DSSD : 逆卷积单次检测器

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

使用循环滚动卷积的准确单阶段检测器

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。

Apr, 2017

特征金字塔网络用于目标检测

该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

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

Res2Net：一种新的多尺度骨干网络结构

本文提出了一种新型卷积神经网络模块 ——Res2Net，在单个残差块内构建分层残差连接，从而以粒度的方式表示多尺度特征，并扩大每个网络层的感受野范围。在图像分类和目标检测等计算机视觉任务中，Res2Net 优于目前的基线方法。

Apr, 2019

M2Det: 基于多级特征金字塔网络的单次检测器

本文提出了一种称为多级特征金字塔网络（MLFPN）的方法，通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象，并且将 MLFPN 集成到 SSD 中构建了名为 M2Det 的一阶段强大的端到端对象检测器，在 MS-COCO 基准测试中以单尺度推理策略实现了 AP 41.0，以多尺度推理策略实现了 AP 44.2，这是一阶段检测器中的新的最佳结果。

Nov, 2018

通过特征融合和分割监督学习更好的人脸检测特征

本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。

Nov, 2018