对象检测的单次修订神经网络

Nov, 2017

Single-Shot Refinement Neural Network for Object Detection

Shifeng Zhang, Longyin Wen, Xiao Bian, Zhen Lei, Stan Z. Li

TL;DR本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

Abstract

For object detection, the two-stage approach (e.g., Faster R-CNN) has been achieving the highest accuracy, whereas the one-stage approach (e.g., SSD) has the advantage of high efficiency. To inherit the merits of both while overcoming their disadvantages, in this paper, we propose a no

object detection single-shot detector refinedet anchor refinement module multi-task loss function

发现论文，激发创造

联合锚点特征优化：用于图像和视频实时准确物体检测

本研究提出了一种基于双重细化机制的目标检测方法，在静态和时间景观中能够快速准确地检测对象。通过使用新型 anchor-offset 检测和双重细化网络（DRNet），TRNet 和 TDRNet，实现了对静态和时间目标的高性能检测，并应用于水下目标检测和抓取的自主系统中。

Jul, 2018

CFENet: 一种准确高效的单次拍摄自动驾驶物体检测器

提出了一种高效的一级检测器 CFENet，它引入了全面特征增强模块，并在 CVPR2018 路标检测竞赛中获得了第二名。实验结果表明 CFENet 对小物体的检测性能优于原有的 SSD 和最先进的 RefineDet 方法，同时保持了较高的检测效率

Jun, 2018

R3Det: 用于旋转目标的特征细化的改进单阶段检测器

本文提出了一种端到端的精调式单阶段旋转物体检测器，通过从粗粒度到细粒度的渐进式回归方法来快速准确检测多角度物体，并设计了特征细化模块和近似 SkewIoU 损失函数以提高检测精度。

Aug, 2019

SSD：单发多框检测器

该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

Dec, 2015

用于高性能人脸检测的选择性细化网络

本文介绍了一种新的单次检测人脸算法 —— 选择性精化网络（SRN），通过引入新奇的两步分类和回归操作，可以减少假阳性，同时提高定位准确性，随即提出了两个模块，选择性两步分类（STC）和选择性两步回归（STR），并设计可接受的感受野扩展块（RFE）来更好地捕获面部的一些极端姿势，最终在 AFW，PASCAL face，FDDB 和 WIDER FACE 数据集上均取得了最新的性能。

Sep, 2018

精密单级检测器

本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD)，通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD，提高了其对于局部和语义信息的分析能力，解决了特征抽取和非极大值抑制两个关键问题，进而在行为检测中取得了优异的表现。

Oct, 2022

DetNet：一种用于物体检测的骨干网络

本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

Apr, 2018

一次检测的稳定优化

研究提出了单阶段目标检测的一致优化方法，通过利用训练过程中的改进型 anchors 匹配检测假设和推理质量，实现性能提升，在 COCO 数据集上，优化后的 RetinaNet 性能从 39.1 AP 提升到 40.1 AP。

Jan, 2019

无微调一次性目标检测

本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

May, 2020

重新审视一阶段目标检测中的特征对齐

提出了一种 RoIConv 算子和 AlignDet 架构，用于解决单阶段目标检测中 anchor boxes 和卷积特征之间的错位问题，取得了 44.1 的最佳平均精确度。

Aug, 2019