DeRPN：迈向更普适物体检测的更进一步

AAAINov, 2018

DeRPN：迈向更普适物体检测的更进一步

DeRPN: Taking a further step toward more general object detection

Lele Xie, Yuliang Liu, Lianwen Jin, Zecheng Xie

TL;DR本文介绍一种新的维度分解区域提议网络 (DeRPN)，采用 anchor string 机制独立匹配物体的宽度和高度，适用于不同形状物体，针对不同比例物体的不平衡损失计算，设计了新颖的尺度敏感损失函数。在多个数据集测试中，DeRPN 相较传统 RPN 方法具有更好的性能和适应性，且不需要调整超参数或专门优化。

Abstract

Most current detection methods have adopted anchor boxes as regression references. However, the detection performance is sensitive to the setting of the anchor boxes. A proper setting of anchor boxes may vary significantly across different datasets, which severely limits the universality of the detectors. To improve the adaptivity of the detectors, in this p

dimension-decomposition region proposal network anchor string mechanism object shapes scale-sensitive loss

发现论文，激发创造

Faster R-CNN: 基于区域建议网络实现实时目标检测

本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

Jun, 2015

NeRF-RPN: 基于 NeRF 的目标检测通用框架

NeRF-RPN 是首个在 NeRF 上直接操作的显著物体检测框架。它利用一种新颖的体素表示法，通过回归 NeRF 模型直接得出物体的三维边界框，而无需在任何视点渲染 NeRF。此外，作者还建立了基准数据集，其中包括合成和真实世界数据，可供未来的 NeRF 目标检测研究参考。

Nov, 2022

一种基于 Faster R-CNN 的自由锚点区域提议网络用于文本检测方法

本论文提出了一种新的基于区域提案网络的方法来替换 Faster R-CNN 中的锚点机制，通过去除复杂的锚点设计，可以在大规模 COCO-Text 数据集上实现更高的召回率，并在 ICDAR-2017 MLT、ICDAR-2015 和 ICDAR-2013 文本检测基准测试中取得最先进的结果。

Apr, 2018

领域自适应物体检测中 region proposal 与分类协同训练

本文研究领域自适应目标检测中的区域建议网络 (RPN) 和分类器 (RPC)，发现了二者在面对大型区域差异时的显著差异，通过最小最大优化及使用低置信度样本差异计算，提出了一种互相指导训练，并在多种场景下验证了其有效性的方法。

Sep, 2020

FA-RPN：浮动区域提议以用于人脸检测

我们提出了一种新颖的区域生成方法，用于执行面部检测，该方法使用基于池化的方法生成区域提案，通过提出一种有效的锚点放置策略来降低锚点数量，并演示了我们的网络生成的提案优于 RPN 用于生成面部检测的区域提案，这种方法还有迭代优化、浮点锚点设置和锚点更改等多个优点，该面部检测器在 WIDER 数据集上使用 ResNet-50 主干获得了 89.4% 的 mAP。

Dec, 2018

Cascade RPN: 基于自适应卷积探究高质量的区域提案网络

这篇论文提出了一种名为 Cascade Region Proposal Network（Cascade RPN）的架构，通过系统地处理传统 RPN 的限制来提高区域建议质量和检测性能，实现了更好的定位和检测，其中核心要素包括：单一锚点设计、多阶段细化、适应性卷积等。

Sep, 2019

RRPN: 自主车辆目标检测的雷达区域提议网络

本文介绍了一种基于雷达的实时区域提案算法（RRPN），用于自动驾驶车辆中的物体检测，通过将雷达检测映射到图像坐标系并为每个映射雷达检测点生成预定义的锚定框来生成物体提案。相比于现有算法，RRPN 操作更快且能够获得更高的检测精度和召回率。

May, 2019

IoU-uniform R-CNN：突破 RPN 的限制

本论文提出了一种名为 IoU-Uniform R-CNN 的简单而有效的方法，该方法直接生成具有均匀 IoU 分布的训练样本，为回归分支和 IoU 预测分支提供支持，并通过消除推断时 RoIs 的特征偏移来改善 IoU 预测分支的性能。大量实验表明，该方法对许多物体检测架构具有兼容性和适应性。

Dec, 2019

用于实时视觉跟踪的连体级联区域建议网络

本文提出了一种基于级联区域建议网络和 Siamese 跟踪的多级跟踪框架，其中每个区域建议网络利用前一阶段的区域建议网络的输出进行训练，采用多任务损失函数进行端到端的训练，并在多个数据集上实现了优异的跟踪效果。

Dec, 2018

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