Dec, 2017

Cascade R-CNN：深入探索高质量目标检测

PDF
TL;DR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。
object detectionintersection over unionmulti-stagecascade r-cnnoverfitting
发现论文，激发创造
  • Cascade R-CNN：高质量的目标检测和实例分割

    提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

    Jun, 2019

  • IoU-uniform R-CNN：突破 RPN 的限制

    本论文提出了一种名为 IoU-Uniform R-CNN 的简单而有效的方法，该方法直接生成具有均匀 IoU 分布的训练样本，为回归分支和 IoU 预测分支提供支持，并通过消除推断时 RoIs 的特征偏移来改善 IoU 预测分支的性能。大量实验表明，该方法对许多物体检测架构具有兼容性和适应性。

    Dec, 2019

  • 通过动态训练实现高质量对象检测的动态 R-CNN

    本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$

    Apr, 2020

  • Cascade RetinaNet: 单级目标检测的一致性维护

    本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet，在不采用其他技巧的情况下，将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。

    Jul, 2019

  • 高性能精准人脸检测

    本篇研究通过 Intersection over Union (IoU) 回归的损失函数，两步分类和回归的检测方法，数据基于数据锚采样的增强，采用分类的最大输出操作，并且采用多尺度的测试策略在一个阶段的 RetinaNet 方法中应用一些技巧，从而获得高性能的人脸检测器。实验表明该算法在 WIDER FACE 数据集上的表现优于现有算法。

    May, 2019

  • 使用循环滚动卷积的准确单阶段检测器

    本文提出一种新的单级端到端可训练目标检测网络，采用循环滚动卷积 (RRC) 架构在多尺度特征图上构建物体分类器和边界框回归器来克服单级检测方法的限制。在挑战性的 KITTI 数据集上评估了我们的方法，证明 RRC 已经在 KITTI 车辆检测 (困难级别) 中超越了之前所有已发布的结果。

    Apr, 2017

  • 单次双向金字塔网络用于高质量物体检测

    通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

    Mar, 2018

  • 基于 IoU 的单阶段目标检测器实现准确定位

    本文提出了一种 IoU 感知的单级目标检测器来提高模型的定位准确性，通过将分类分数和预测的 IoU 相乘来计算最终检测可信度，该方法在 COCO 和 PASCAL VOC 数据集上都取得了较好的实验结果。

    Dec, 2019

  • 单阶段三维物体检测中基于 IoU 的优化的再思考

    本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

    Jul, 2022

  • 基于级联区域提议和全局上下文的深度目标检测

    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。

    Oct, 2017