Apr, 2018

SINet: 一种针对快速车辆检测的尺度不变卷积神经网络

PDF
TL;DR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。
vehicle detectionconvolutional neural networkscale-insensitiveroi poolingcontext-aware
发现论文，激发创造
  • 从大图像中检测小标志

    提出了一种基于 SOS-CNN 的方法来检测实际条件下大图像中的小型交通标志，它通过将大图像分成小补丁，利用 VGG-16 作为基础网络，对补丁级别的目标进行检测，并采用图像金字塔实现尺度不变性。实验结果表明，该方法在检测精度和召回率方面对具有小尺寸的交通标志的检测是有效的。

    Jun, 2017

  • 尺度不变卷积神经网络

    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

  • 目标检测中尺度不变性的分析 - SNIP

    本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。

    Nov, 2017

  • POD: 基于尺度敏感网络的实用目标检测

    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

  • ScaleNet：一种有限信息的无监督表示学习方法

    本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法，通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能，并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。

    Oct, 2023

  • SAN: 多尺度目标检测中卷积特征之间的关系学习

    提出了一种尺度感知网络 (SAN)，将卷积特征从不同的尺度映射到尺度不变的子空间，使基于 CNN 检测方法更具鲁棒性。该方法有效地减少了尺度空间内的特征差异，可以应用于许多基于 CNN 的检测方法中，提高检测精度并略微增加计算时间。

    Aug, 2018

  • 本地尺度不变卷积神经网络

    本研究提出了一种可以使卷积神经网络具有局部尺度不变性的简单模型，从而在面对尺度变化时，可以学习到更具有区分性的特征，并减少过度拟合的风险。

    Dec, 2014

  • 使用 CNN 进行场景识别：对象，尺度和数据集偏差

    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

  • 面向行人检测的尺度感知快速 R-CNN

    本研究探讨了自然场景下的行人检测问题，提出了基于分治思想的 SAF R-CNN 框架来解决实例尺度的变化范围大导致的特征内类别方差大的问题，并在多个具有挑战性的行人检测数据集上实现了业界领先效果。

    Oct, 2015

  • 深度图像分类中学习尺度变化和尺度不变特征

    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