学习区域特征进行目标检测
本文提出一种基于多层图像分割的监督学习方法,将区域特征向量映射到显著性得分,最终融合多个级别的得分来产生显著图,同时通过研究区域对比度和背景性质,实现了在六个基准数据集上优于现有方法的显著物体检测算法。
Oct, 2014
本研究提出了一种新的模块 ——NL-RoI,该模块能够将感兴趣区域(RoI)表示为其内在特征和与其他 RoI 的外在关系,进而用于图像检测和分割任务,并在实验中取得了较好的表现。
Nov, 2018
本文提出一种新的语义分割方法,该方法基于区域分类方法和全卷积方法相结合,能够实现端到端的培训。与目前现有的算法相比,该方法在语义分类的平均准确性方面提高了成绩,在 SIFT Flow 和 PASCAL Context 上达到了 64.0% 和 49.9% 的成绩,并且在物体边界方面特别准确。
Jul, 2016
本论文提出了一种名为 “Deep Regionlets” 的新型目标检测框架,通过在深度神经网络和传统检测模式之间建立桥梁实现准确的普适目标检测。该框架由区域选择网络和深度区域学习模块组成,能够实现端到端的训练,并通过单元素件选择和转换减轻局部变化。此框架在 PASCAL VOC 和 Microsoft COCO 数据集上的实验结果表明,其效果优于现有的 RetinaNet 和 Mask R-CNN 算法。
Dec, 2017
提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN,它与 CNN 结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。
Nov, 2013
在这篇论文中,我们提出了一种新颖的 RoI 特征提取器 Semantic RoI Align(SRA),它能够在各种变换下提取不变的 RoI 特征,用于两阶段检测器。我们通过引入语义注意力模块,利用 RoI 内的全局和局部语义关系自适应地确定不同采样区域。我们还提出了动态特征采样器 Dynamic Feature Sampler,根据 RoI 的宽高比动态采样特征,以提高 SRA 的效率。另外,我们引入了一种新的位置嵌入 Area Embedding,通过改进采样区域表示提供更准确的位置信息给 SRA。实验证明,我们的模型在比基准模型轻微计算开销的情况下显著优于其他模型,并具有出色的泛化能力,可以改善各种最先进的主干网络和检测方法的性能。
Dec, 2023
本文旨在提供一个新的通用 RoI 提取器 ——GRoIE,它引入非局部模块和注意机制来提高性能。综合组件级的消融研究,找到了 GRoIE 层的最佳算法和参数集。该提取器能够无缝地集成在各种二阶段架构中,为目标检测和实例分割任务带来显著 1.1% 的 AP 提高。
Apr, 2020
本文提出一种基于卷积神经网络和语义分割的目标检测系统,利用迭代定位机制,通过高效运用模块来检测物体,并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。
May, 2015
本文提出了一种基于学习的方法来进行眼部标志点的定位,采用该方法能够在未受控制的真实环境下较之传统方法更具优势,在个性化视线估计场景中性能优越。
May, 2018
本文提出了深层分层网络 HyperNet,以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征,将图像的深层、中间和浅层特征结合在一起,实现了端到端的联合训练策略,并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。
Apr, 2016