CVPRJun, 2018

无需边界框的物体定位

PDF
TL;DR本文提出了一种可用于无未注释的边界框的 object location 评估的 Loss function，该方法不需要边界框、区域提议或滑动窗口，并使用 3 个数据集对该方法进行了评估，分别为人头位置、瞳孔中心和植物中心。我们的方法优于最先进的通用对象检测器和针对瞳孔跟踪微调的方法。
convolutional neural networksbounding boxesloss functionobject locationfully convolutional network
发现论文，激发创造
  • 深度神经网络自学目标定位

    介绍了一种新方法，利用深度卷积神经网络对整张图片进行训练，以在不额外进行人工监督的情况下定位图像中的物体，并将该思想嵌入凝聚聚类技术中，产生自学习定位假设。实验证明，使用我们的方法自动生成的注释可用于训练物体探测器，产生接近于手动注释的边界框的识别结果。

    Sep, 2014

  • 大规模物体检测 —— 无需细粒度边界框检测 11K 类

    本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

    Aug, 2019

  • FoveaBox：超越基于 Anchor 的目标检测器

    本文提出了 FoveaBox 框架，一种准确，灵活且完全无锚点的物体检测方法，通过预测类别敏感的语义图和每个位置的类别不可知的边界框，避免与锚相关的计算和超参数问题。与所有先进的物体检测器不同，FoveaBox 可以直接学习物体的存在可能性和边界框坐标，因此具有更好的性能和通用性。

    Apr, 2019

  • LocNet: 提高物体检测的定位精度

    本文介绍了一种基于概率的新型物体定位方法，通过在搜索区域中分配条件概率来实现物体边界框的精确推断，实验证明该方法可以显著提高目标检测性能，并且可以与现有的物体检测系统很容易地集成使用。

    Nov, 2015

  • 通过贝叶斯优化和结构化预测提升深度卷积神经网络的物体检测

    本研究提出基于卷积神经网络的物体检测系统，使用基于贝叶斯优化的搜索算法和结构化 loss 进行物体定位，实验证明两种方法的结合优于先前的最先进方法。

    Apr, 2015

  • ObjectBox: 从中心到盒子的基于锚点的无锚点目标检测算法

    ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

    Jul, 2022

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • ProNet：学习为级联神经网络提出特定物体边界框

    本文提出了一个名为 ProNet 的基于神经网络的结构，利用图像级注释来高效地实现物体的分类和定位，并在 PASCAL VOC 2012 以及 MS COCO 数据集上进行了实验，超出了之前最先进的技术。

    Nov, 2015

  • DenseBox: 将关键点定位与端到端目标检测统一

    本研究提出了一种基于卷积神经网络的全新框架 DenseBox，可有效地捕捉到多类别物体的边界盒以及物体置信度，同时在多任务学习时结合了关键点定位来进一步提高物体检测精确度，实验结果表明，DenseBox 是目前检测具有挑战性对象（如人脸和汽车）的最先进系统。

    Sep, 2015