Oct, 2017

基于级联区域提议和全局上下文的深度目标检测

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 从图像中提取CRAFT物体

    本文提出了一种名为CRAFT的算法，通过将目标检测问题分解成四个子任务，分别用网络串联解决，以获得更紧凑和更好定位的目标建议和减少错误分类而获得在 PASCAL VOC 07/12 和 ILSVRC 等数据集上的改进。

    Apr, 2016

  • CoupleNet：将全局结构与局部部分相结合用于目标检测

    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。

    Aug, 2017

  • Cascade R-CNN：深入探索高质量目标检测

    本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在COCO数据集上比所有单模型目标检测器表现更好。

    Dec, 2017

  • 基于区域分解和组装的目标检测

    本文提出了一种名为R-DAD的检测器，通过将物体区域分解成多个小区域，并对区域和整个物体区域进行CNN特征提取、多阶段区域组装、多尺度区域提议等方式，以提高物体检测的准确性。在PASCAL07/12和MSCOCO18数据集上的实验结果表明，相对于最近的卷积检测器，该检测器明显提高了性能。

    Jan, 2019

  • RRPN: 自主车辆目标检测的雷达区域提议网络

    本文介绍了一种基于雷达的实时区域提案算法（RRPN），用于自动驾驶车辆中的物体检测，通过将雷达检测映射到图像坐标系并为每个映射雷达检测点生成预定义的锚定框来生成物体提案。相比于现有算法，RRPN操作更快且能够获得更高的检测精度和召回率。

    May, 2019

  • Cascade RPN: 基于自适应卷积探究高质量的区域提案网络

    这篇论文提出了一种名为 Cascade Region Proposal Network（Cascade RPN）的架构，通过系统地处理传统 RPN的限制来提高区域建议质量和检测性能，实现了更好的定位和检测，其中核心要素包括：单一锚点设计、多阶段细化、适应性卷积等。

    Sep, 2019

  • 领域自适应物体检测中region proposal与分类协同训练

    本文研究领域自适应目标检测中的区域建议网络(RPN)和分类器(RPC)，发现了二者在面对大型区域差异时的显著差异，通过最小最大优化及使用低置信度样本差异计算，提出了一种互相指导训练，并在多种场景下验证了其有效性的方法。

    Sep, 2020