Jul, 2018

池化金字塔网络用于目标检测

PDF
TL;DR通过共享盒子预测器并采用最大池化替代卷积之间的过程，成功降低了 Single Shot Multibox Detector 家族探测器的模型大小，同时保持相同的质量，避免了评分跨尺度的失真。
single shot multibox detectormodel size reductionbox predictor sharingmax pooling instead of convolutionscore miscalibration avoidance
发现论文，激发创造
  • SSD：单发多框检测器

    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

  • 精密单级检测器

    本研究提出了一种改进的单阶段物体检测器 (Precise Single Stage Detector, PSSD)，通过添加额外层、构建高效特征增强模块和设计更有效的损失函数优化了 SSD，提高了其对于局部和语义信息的分析能力，解决了特征抽取和非极大值抑制两个关键问题，进而在行为检测中取得了优异的表现。

    Oct, 2022

  • FSSD: 特征融合单发多框检测器

    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

  • 通过拼接特征图以增强 SSD 进行目标检测

    本篇论文提出一种改进传统 SSD 方法的物体检测算法，通过有效地利用特征图，提高了算法的检测精度，其中将 ResNet 应用于分类网络构造取得了不错的效果，并在 PASCAL VOC 2007 数据集上表现出优越的检测精度和速度。

    May, 2017

  • 深度卷积网络中的空间金字塔池化用于视觉识别

    本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

    Jun, 2014

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • 单次双向金字塔网络用于高质量物体检测

    通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

    Mar, 2018

  • MDSSD：小物体多尺度反卷积单阶段检测器

    本研究提出了一种针对小物体检测的多尺度解卷积单镜头探测器 (MDSSD) 架构，通过融合高级语义特征和低层的空间信息，提高了小物体检测的精度，并在多个数据集上取得了比同类算法更好的性能。

    May, 2018

  • StairNet: 自上而下语义聚合实现准确一次性检测

    本研究通过引入特征组合模块来改善基于 SSD 框架的一站式目标检测方法中对小物体检测的困难，提出了一种新的模型 StairNet，通过有效的多尺度表示和语义分配相结合，该模型显著提高了 SSD 的性能并且优于其他最先进的一阶段检测器。

    Sep, 2017

  • 使用深度神经网络实现可扩展的物体检测

    该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。

    Dec, 2013