MMAug, 2018

基于卷积神经网络的目标检测概率模型

PDF
TL;DR本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器，旨在解决区域信息浪费和效率与准确性之间的权衡问题，通过将图像映射为对象的概率分布，该模型以更少的计算量提供更丰富的输出，并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。
发现论文，激发创造
  • 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

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 深度卷积神经网络中的零件检测器发现

    本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

    Nov, 2014

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • 概率目标检测：定义与评估

    介绍一种新的概率目标检测方法，可提供准确的空间和语义不确定性，与现有方法进行对比，证明传统目标检测方法在空间上犯有严重错误，并鼓励开发新的对象检测方法以在实际场景中实现机器人和具体化的人工智能系统。

    Nov, 2018

  • 基于卷积神经网络的相机模型识别的初步探索

    本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在 64x64 的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

    Mar, 2016

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015

  • SCNN: 基于一般分布的统计卷积神经网络及其在视频目标检测中的应用

    本文提出了一种通过操作相关数字分布的统计卷积神经网络（SCNN）来处理多帧相关图像的方法，实现了显著的速度提升，即使在未经优化的情况下，仍然能实现高达 178% 的加速。

    Mar, 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