CFENet: 一种准确高效的单次拍摄自动驾驶物体检测器
本文提出了一种新的基于单一射击的检测器 RefineDet,它既具有两阶段方法的高精度,又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成,通过多任务损失函数的训练获得了最高的检测准确率。
Nov, 2017
本论文提出了一种针对小目标检测的实时多层次特征融合方法,与基线 SSD 相比,在保证检测速度的同时,在某些小目标类别上提高了 2-3 个点的检测精度,尤其是使用了合并和元素加和两种特征融合模块,其测试速度分别为 43 和 40 FPS。
Sep, 2017
本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率,提出多个优化方案,包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法,成功开发了名为 EfficientDet 的新一代目标检测器,拥有更高的性能和更小的计算量。
Nov, 2019
本文提出了一种增强了 SSD 的神经网络模型 FSSD,通过轻量级的特征融合模块,能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测,从而提高检测精度,同时保证了检测速度。实验表明,相较于传统的 SSD 等许多对象检测算法,FSSD 在准确度和速度两方面都有较明显的提升。
Dec, 2017
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
该研究提出了一种名为 SSD 的方法,使用单个深度神经网络在图像中检测对象,在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框,利用不同分辨率的多个特征图进行预测,并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。
Dec, 2015
通过不同的可微架构搜索方法,提出的 AutoFAE 模块在人脸检测方面表现出优异的性能,并在 WIDER Face 测试中实现了 AP 96.7/96.2/92.1 的结果。
Jan, 2022
本文提出了一种基于深度学习的多尺度特征学习技术来解决物体检测问题,通过使用深层次的抽象特征来提高模型对语义信息的理解和处理能力,同时采用多框,多量级等技术提高模型的检测精度与计算效率。实验证明该模型在 KITTI,PASCAL VOC 和 COCO 数据集上表现优异。
Dec, 2019
本文提出了一个针对自动驾驶中的目标检测任务的全卷积神经网络 SqueezeDet,该网络具有高精度、实时推理速度、小模型尺寸和低能耗等多项优点,在保证准确性的同时,与之前的基线相比,模型尺寸缩小了 30.4 倍,速度快了 19.7 倍,能耗降低了 35.2 倍。
Dec, 2016
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