Jul, 2018

MetaAnchor: 使用定制的锚点学习对象检测

PDF
TL;DR本文提出了一种名为 MetaAnchor 的新型灵活的锚点机制，它能够从任意自定义的优先框生成锚点函数，并利用权重预测，能够与大部分锚点有关的对象检测系统（例如 RetinaNet）一起使用，并且在锚点设置和边界框分布方面要比预定义的锚点计划更加强韧，同时还具有转移任务的潜力。我们在 COCO 检测任务上的实验证明，MetaAnchor 在各种情况下始终优于其他对照组。
发现论文，激发创造
  • FreeAnchor：学习匹配锚点以进行视觉目标检测

    本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制，更新手工制定的锚点分配为自由的锚点匹配，并通过最大似然估计（MLE）过程来实现检测器训练。该方法通过优化检测有效似然来实现，可以与基于 CNN 的检测器插入并组合使用，实验结果表明，FreeAnchor 在 COCO 数据集上表现优异。

    Sep, 2019

  • 目标检测中的锚框优化

    本文提出了一种优化锚盒形状以提高目标检测精度的方法，通过动态学习锚盒形状来适应数据分布和网络学习能力，该方法对训练成本几乎没有额外开销，且能够在多个基准数据集上实现显著的改进。

    Dec, 2018

  • 视觉对象检测的多锚点学习

    本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法，经过与 Clssification 和 Localisation 模型的联合优化，该模型在多个基准测试中都得到了显著的性能提升。

    Dec, 2019

  • Ocean: 基于目标感知的无先验锚点跟踪

    该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

    Jun, 2020

  • 模型交互锚点修正实现航空图像鲁棒目标检测

    本文提出了一种基于动态增强锚点网络的物体检测方法，支持航拍场景下的小目标检测，采用交互式样本筛选和保守的基于锚点的推断方案，结合多任务联合训练，实现了高精度和低计算复杂度，并在 DTAO 和 HRSC2016 等数据集上取得了最优性能。

    Dec, 2021

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 2020

  • 引导定位的区域建议

    本研究提出了一种名为 “Guided Anchoring” 的替代方案，该方案利用语义特征引导区域 anchor 的选择，并成功将其应用在目标检测和 Proposal 方法中，相比 RPN 基线，在 MS COCO 数据集上使用 “Guided Anchoring” 能够在减少 90% anchor 数量的情况下提高 9.1% 的召回率，同时在 Fast R-CNN、Faster R-CNN 和 RetinaNet 中将检测 mAP 分别提高了 2.2％、2.7％和 1.2％。

    Jan, 2019

  • 基于嘈杂锚点的单阶段目标检测学习

    本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

    Dec, 2019

  • Anchor DETR：基于 Transformer 的目标检测中的查询设计

    本论文针对基于 Transformer 的物体检测算法，提出一种新的查询设计，纠正了目前算法中普遍存在的嵌入表达无法明确物体目标位置等缺陷，改为基于锚点查询方法，实现定位到特定区域及多目标检测的要求，并通过注意力变量方案来达到更好的算法性能。

    Sep, 2021

  • AnchorNet: 一个弱监督的网络，用于学习对几何敏感的特征进行语义匹配

    本文提出了一种深度网络 AnchorNet，它通过一组过滤器产生了对物体结构的信息，从而在语义匹配方面取得了令人满意的结果，尤其在不同实例和不同物体类别之间的匹配方面。

    Apr, 2017