Light-Head R-CNN：二阶段目标检测器之辩

Nov, 2017

Light-Head R-CNN：二阶段目标检测器之辩

Light-Head R-CNN: In Defense of Two-Stage Object Detector

Zeming Li, Chao Peng, Gang Yu, Xiangyu Zhang, Yangdong Deng...

TL;DR提出了一种新的基于 ResNet-101 的双阶段目标检测器 Light-Head R-CNN，通过使用一个轻量级的特征图和一个便宜的 R-CNN 子网络来实现网络头部的最小化，而且在 COCO 上表现良好，在保持时间效率的同时也比单阶段的快速检测器像 YOLO 和 SSD 更准确。

Abstract

In this paper, we first investigate why typical two-stage methods are not as fast as single-stage, fast detectors like YOLO and SSD. We find that Faster R-CNN and R-FCN perform an intensive computation after or before RoI warping. Faster R-CNN involves two fully connected layers for RoI recognition, while R-FCN produces a large score maps. Thus, the speed of

object detection two-stage detector light-head r-cnn resnet-101 coco

发现论文，激发创造

面向 R-CNN 的对象检测

本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

Aug, 2021

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

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

ThunderNet：面向实时通用物体检测

本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题，调查了两阶段检测器在实时检测方面的有效性，并提出了一个名为 ThunderNet 的轻量级两阶段检测器，相对于单阶段检测器，仅使用了 40％的计算且取得了优越的性能，在 ARM 平台上实现了 24.1fps 的实时检测。

Mar, 2019

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

使用改进的 Faster RCNN 进行人脸检测

本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法，通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法，实现了在 WIDER FACE 验证数据集（易于设置、中等设置、困难设置）三项任务中的两个第一名和一个第二名。

Feb, 2018

重新思考物体检测的分类和定位

通过全面分析，我们发现全连接头和卷积头对于分类和定位任务具有相反的偏好，因此我们提出了一种 Double-Head 方法，其中全连接头专注于分类，卷积头用于边界框回归，该方法在 MS COCO 数据集上得到了优异的表现。

Apr, 2019

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

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

每秒 3000 帧的 R-FCN：检测和分类的解耦

介绍了一种大规模实时物体检测器 R-FCN-3000，其中物体探测和分类被解耦。通过将物体探测得分和细粒度分类得分相乘来获得 RoI 的检测得分。R-FCN-3000 在 ImageNet 检测数据集上获得 34.9% 的 mAP，并在每秒处理 30 张图像的情况下胜过 YOLO-9000 18%。我们还展示了 R-FCN-3000 学习到的 objectness 可以推广到新的类别，并且随着训练对象类别的数量增加而提高性能，支持学习通用对象探测器的假设。

Dec, 2017