ICCVAug, 2017

CoupleNet：将全局结构与局部部分相结合用于目标检测

PDF
TL;DR本研究提出了一种名为 CoupleNet 的新型全卷积网络，通过耦合全局结构与局部部分进行目标检测，其中一个分支采用位置敏感 RoI 池化来捕获对象的局部信息，而另一个分支则采用 RoI 池化来对全局和上下文信息进行编码。实验证明该方法具有良好的效果。
convolutional neural networkobject detectioncoupling moduleglobal structurelocal parts
发现论文，激发创造
  • 基于区域全卷积网络的物体检测

    本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果，测试时间为每张图像 170ms，比 Faster R-CNN 快 2.5-20 倍。

    May, 2016

  • Faster R-CNN: 基于区域建议网络实现实时目标检测

    本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

    Jun, 2015

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • 基于级联区域提议和全局上下文的深度目标检测

    本文详细介绍了如何通过改进区域提议和深度对象识别两个步骤来提高 Faster R-CNN 的效果。我们提出了一种新的轻量级级联结构，可以有效地提高区域提议质量，重新实现了全局上下文建模，同时广泛应用预训练思想，最终在几个测试数据集上均获得了优异的结果。

    Oct, 2017

  • 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

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • DeFRCN：用于少样本物体检测的解耦快速 R-CNN

    本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构，通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决数据稀少场景下的性能问题，在多个基准测试中都表现出优秀的性能表现，并成为少样本文献领域的新的最佳模型。

    Aug, 2021

  • 卷积神经网络实现高效的物体定位

    通过深度卷积网络及位置细化模型使人体姿态的关节定位精度得到提升

    Nov, 2014

  • 目标检测的关注上下文

    通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

    Mar, 2016

  • HyperNet：准确区域提议生成与联合目标检测

    本文提出了深层分层网络 HyperNet，以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征，将图像的深层、中间和浅层特征结合在一起，实现了端到端的联合训练策略，并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。

    Apr, 2016