CVPRDec, 2017

每秒 3000 帧的 R-FCN：检测和分类的解耦

PDF
TL;DR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。
object detectorr-fcn-3000objectness detectionfine-grained classificationimagenet detection dataset
发现论文，激发创造
  • 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

  • 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

  • Light-Head R-CNN：二阶段目标检测器之辩

    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。

    Nov, 2017

  • YOLO9000: 更好、更快、更强

    这篇论文介绍了一种实时目标检测系统 YOLO9000，能够检测超过 9000 个物体类别，该系统基于改进的 YOLO 检测方法，结合了机器学习和 COCO 数据集进行训练，实现了同时进行目标检测和分类的功能。

    Dec, 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

  • FCOS：全卷积单阶段目标检测

    本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

    Apr, 2019

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • 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

  • 快速 R-CNN

    本文提出了一种用于物体检测的快速区域卷积网络方法（Fast R-CNN），该方法采用了深度卷积神经网络对目标建议进行高效分类，相较于之前的方法，在提高检测精度的同时，大幅提高了训练和测试的速度。

    Apr, 2015

  • 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