CVPROct, 2018

ScratchDet：从头开始训练单镜头目标探测器

PDF
TL;DR本文探讨了利用 BatchNorm 稳定和可预测的渐变来稳定地从头开始训练物体检测器，而不会影响网络架构的良好性能。 通过在下采样因子上的广泛实验和分析，提出了 Root-ResNet 骨干网。 ScratchDet 在所有训练自头开始的探测器中实现了最先进的准确性，并且甚至表现优于一些单阶段预训练方法。
object detectionpretrainingbatchnormnetwork architecturescratchdet
发现论文，激发创造
  • 从头开始使用深度监督进行物体检测

    提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

    Sep, 2018

  • DSOD：从头开始学习深度监督目标检测器

    本研究提出了一种名为 DSOD 的新型深度监督目标检测器，通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练，并在 PASCAL VOC 2007，2012 和 MS COCO 等数据集上完美取代了现有的模型。

    Aug, 2017

  • DetNet：一种用于物体检测的骨干网络

    本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

    Apr, 2018

  • 对象检测的单次修订神经网络

    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

  • 简单扼要的少样本物体检测

    本研究通过在罕见物品识别任务中只微调现有检测器的最后一层实现了高精度的 few-shot 目标检测方法，相较于 meta-learning 的方法，在当前基准测试中精度提升了 2~20 点，甚至有时可以将先前方法的精度提高一倍。

    Mar, 2020

  • 任务自适应正则化下的物体检测蒸馏

    该论文提出了一种基于知识蒸馏的对象检测模型微调方法，采用区域提议共享机制和自适应知识转移方法，根据模型的不同表现区分性能好坏，同时使用知识衰减策略帮助提高模型的泛化性能。实验结果表明，该方法在 COOC 数据集上取得了比基线模型更好的检测结果。

    Jun, 2020

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020

  • DetNAS：目标检测中的骨干网络搜索

    本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

    Mar, 2019

  • SCRDet: 面向小型、混杂和旋转目标的更为强健的检测

    本文提出一种新颖的旋转多分类目标检测器 SCRDet，旨在解决小目标、杂乱目标和旋转目标检测的问题。并通过使用采样融合网络，以及监督像素注意力网络和通道注意力网络，来提高对小目标的灵敏度和准确度。实验结果显示该检测器在各类公共数据集上都表现出了最先进的性能。

    Nov, 2018

  • 无灾难遗忘的目标检测的增量学习

    通过使用一种新的损失函数，这篇研究提出了一种解决卷积神经网络增量学习中 “灾难性遗忘” 的问题的方法，可以在没有原始训练数据或注释的情况下适应新类别，并在 PASCAL VOC 2007 和 COCO 数据集上实现了物体检测。

    Aug, 2017