目标检测中尺度不变性的分析 - SNIP
该论文提出了一种有效的点视觉框架,用于物体检测,其使用尺度归一化的图像金字塔(SNIP)生成已知训练期间可能包含物体的固定尺寸子区域,以提高性能,并通过粗到精的逐步缩小图像金字塔中的感兴趣区域的方法,快速识别物体。
Feb, 2021
提出了一种采用比例尺度敏感卷积神经网络的实用目标检测方法。通过平均特征来预测每个卷积滤波器的全局连续比例尺度,并通过通道来提取比例尺度。为了实现快速部署,将鲁棒性分数尺度转换为每个卷积滤波器的固定整数比例尺度组合,利用了膨胀卷积。在 COCO test-dev 上,该模型在 ResNet-101 的两个阶段探测器上分别实现了 41.5 和 42.1 的平均精度,并且无需额外的 FLOPS 即可超越基线模型。
Sep, 2019
本文提出了一种尺度不变的卷积神经网络(SiCNN),采用多列结构,每一列专注于特定尺度,用尺度变换共享相同的滤波器参数,以应对尺度变化,实验结果表明 SiCNN 能够检测各种尺度的特征,并且分类结果表现出对物体尺度变化的强大鲁棒性。
Nov, 2014
通过分析 ImageNet-CNNs 和 Places-CNNs 在不同尺度上的响应,本文提出了一种基于尺度的深度学习算法,并发现 scale-specific CNN 对于提高物体场景识别的准确性至关重要。实验结果表明,简单而精心选择的 ImageNet-CNN 和 Places-CNN 的多尺度组合可以将 SUN397 的最新识别准确性推至 66.26%(甚至在更深的架构中达到 70.17%,与人类的表现相当)。
Jan, 2018
本文提出了一种基于卷积神经网络的无尺度检测技术,通过采用上下文感知的 RoI 池化和多分支决策网络,实现了无尺度对象识别,并在多个数据集上达到最优准确性和速度。
Apr, 2018
SNIPER 是一种实例级视觉识别算法,它采用多尺度训练,处理围绕着基准实例的上下文区域而不是处理金字塔中的每个像素,它可以在低分辨率芯片上进行操作以从极限分辨率的图像金字塔中观察样本,无需跨 GPU 同步归一化统计数据,指出高分辨率图像对实例级视觉识别任务的训练可能不正确。
May, 2018
本文提出了一种多尺度卷积神经网络方法来促进卷积神经网络同时识别尺度不变和尺度变异的特征,并在涉及多个尺度的任务相关特征的挑战性图像分类任务上对其进行了评估。结果表明,我们的多尺度卷积神经网络优于单尺度卷积神经网络,从而得出结论:在卷积神经网络中鼓励尺度不变和尺度变异表示的结合对图像识别性能有益。
Feb, 2016
本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略,以 Open Images Datasets 为数据集,在强大的 SENet154 的支持下,取得了 62.2% 的 mAP,位列公共领袖板(第 2 名)和私人领袖板(第 3 名),只比第一名低了 0.04 个点。
Oct, 2018
该论文探讨了物体识别中探测小物体的挑战,重点考察了尺度不变性、图像分辨率、语境推理等方面,并通过训练深度网络实现了在小脸检测方面的突破,在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。
Dec, 2016
提出了一种基于网络架构设计的物体提议算法,该算法具有许多优势,例如对物体大小的范围从非常小到非常大的尺度具有平移不变性,具有平移变性的限制框回归,具有大的有效感受野来捕捉全局上下文等,可以显著地提高提议平均召回率,并且实时性能也非常好。
Jul, 2018