基于注意力地图决策的缩放网络用于区域提议和目标检测

Sep, 2017

基于注意力地图决策的缩放网络用于区域提议和目标检测

Zoom Out-and-In Network with Map Attention Decision for Region Proposal and Object Detection

Hongyang Li, Yu Liu, Wanli Ouyang, Xiaogang Wang

TL;DR本论文提出了一种放大和缩小的网络，用于生成物体建议，通过利用 conv/deconv 结构，引入两个特征图流的低层局部细节和高层区域语义的互补，设计了 MAD 单元来搜索神经元激活并提出新的特征图，在三个数据集上取得了比其他最新算法更好的效果。

Abstract

In this paper, we propose a zoom-out-and-in network for generating object proposals. A key observation is that it is difficult to classify anchors of different sizes with the same set of features. Anchors of different sizes should be placed accordingly based on different depth within a network: smaller boxes on high-resolution layers with a smaller stride wh

object proposals conv/deconv structure map attention decision unit neuron activations region proposal

发现论文，激发创造

基于递归训练的缩放网络用于目标提案

本文提出了一种缩放输入和输出网络用于生成物体提议，使用不同分辨率的特征图在网络中检测各种大小的物体实例，设计缩放子网络来增加高级特征的分辨率，使用递归训练管道，匹配测试阶段的迭代回归，证明了该方法在各种评估度量中优于现有技术。

Feb, 2017

使用相邻性和缩放预测的自适应目标检测

通过使用搜索策略自适应地将计算资源定向到可能包含目标的子区域，我们的方法与基于固定锚点的方法相比，在平均使用两个数量级更少的锚点的同时，在准确性上可与最先进的 Faster R-CNN 算法相媲美。

Dec, 2015

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

AdaZoom：大场景多尺度对象检测的自适应缩放网络

本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器，即 AdaZoom，并采用可变放大倍率进行自适应多尺度检测，以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验，验证了 AdaZoom 在不同检测网络上显著提高了性能，并在这些数据集上取得了 state-of-the-art 的表现，尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。

Jun, 2021

放大和缩小：一种混合尺度三元组网络用于伪装目标检测

本文提出了一种基于缩放网络的对象分割模型 ZoomNet，采用缩放策略、混合尺度单元和层级混合尺度单元学习圈定隐藏目标并能够适应模糊的背景干扰，用不确定性感知损失提高模型在候选区域中的预测准确度，大幅超越其他 23 种最先进的模型，在 SOD 任务上也取得了最优效果。

Mar, 2022

大型图像快速目标检测的动态缩放网络

本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

Nov, 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

M$^3$Net：多层、混合与多阶段注意力网络用于显著目标检测

提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的 M$^3$Net 在四个指标上优于最近的 CNN 和基于 Transformer 的显著性目标检测方法。

Sep, 2023

多关注多分类约束用于细粒度图像识别

本文提出了一种基于注意力机制的卷积神经网络方法，使用一握多激励模块学习每个输入图像的多个注意区域特征，并在度量学习框架中应用多注意力多类约束，通过推拉相同 / 不同注意力类别的特征以实现多个目标区域的协调，并引入 Dogs-in-the-Wild 数据集以促进细粒度图像识别研究。

Jun, 2018

基于多区域和语义分割感知的 CNN 目标检测模型

本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

May, 2015