CVPRNov, 2018

大规模稀疏标注对象检测的采样技术

PDF
TL;DR本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。
object detectorsopen images datasetpretrained modelspart-aware samplinggoogle ai open images competition
发现论文，激发创造
  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 解决大规模分层目标检测数据集中不完整标注和数据不平衡问题

    本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略，以 Open Images Datasets 为数据集，在强大的 SENet154 的支持下，取得了 62.2% 的 mAP，位列公共领袖板（第 2 名）和私人领袖板（第 3 名），只比第一名低了 0.04 个点。

    Oct, 2018

  • 基于区域的半监督稀疏标注目标检测方法

    本文提出一种基于区域的半监督算法，用于解决稀疏标注数据中缺失标注信息的物体检测问题，实验表明该算法在 PASCAL-VOC 数据集中取得了最优性能。

    Jan, 2022

  • BAOD: 预算感知目标检测

    本文研究了基于预算限制的目标检测问题，提出了一种构建多样化和高信息量数据集的策略以及对其进行优化和混合监督式学习的方法，实验结果表明该方法在减少约 12.8% 的注释预算的同时能够实现 PASCAL-VOC 2007 数据集强监督探测器的性能

    Apr, 2019

  • 小数据目标检测的生成建模

    本文介绍了一种利用生成模型来解决在小样本数据集下机器学习中的物体检测问题的方法，旨在克服 “稀缺性” 和 “注释费用高” 等挑战，本文采用一种新型滚动机制的模型，可以同时优化生成模型和探测器，以提高探测器性能，结果表明本方法在疾病检测和小数据行人检测等数据集上表现优异，相对平均精度提高了 20％，定位精度提高 50％。

    Oct, 2019

  • DeNet：利用指向性稀疏采样实现可扩展实时物体检测

    该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

    Mar, 2017

  • 室内场景目标检测的更快边界框标注

    本文提出了一种快速边界框注释的方法，该方法分为两个阶段：第一步手动标注数据集的一部分，第二步采用第一阶段注释的模型对其余样本进行注释。我们还介绍了一个新的完全标记的室内场景物体检测数据集，使用几种最先进的模型对其训练，并在速度和准确性方面进行了比较。

    Jul, 2018

  • 模型通信的少样本目标检测

    该论文研究了一种名为 “few-example object detection” 的目标检测方法，使用了大量未标记图像和每类仅少量标记图像，并提出了基于模型训练和高置信度样本选择的策略来生成高信度的训练样本；通过嵌入多个检测模型来进一步提高样本的精度和召回率，并在实验中证明了其与使用大量图像级别标签的最先进弱监督方法相比，使用每类仅 3-4 个样本可获得非常有竞争力的结果。

    Jun, 2017

  • IQDet: 基于实例品质分布采样的目标检测方法

    提出了一种密集物体检测器 IQDet，它使用实例级采样策略来自动选择质量高的样本，并在 MS COCO 数据集上实现了超越现有最先进的单级检测器的结果。

    Apr, 2021

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021