Deformable ConvNets v2:更加可变形,更好的结果
本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限,从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块,并且可以通过标准反向传播进行端到端训练,从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。
Mar, 2017
本文提出了一种新的深度学习目标检测框架,引入了变形卷积神经网络、约束池化层等创新,通过组合不同的网络结构和组件、改变训练方法等方式,提高了模型的泛化能力和检测精度,实验结果表明该方法在 ILSVRC2014 比赛中的表现明显优于 RCNN 和 GoogleNet,能有效提升目标检测效果。
Dec, 2014
在制造环境中,高效准确地检测小型物体,如缺陷和裂纹,对于确保产品质量和安全至关重要。我们提出了一种综合策略,通过将 Faster R-CNN 与先进的方法结合起来,有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估,验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上,我们的模型表现出对钢铁缺陷的深入理解,在识别各种缺陷方面实现了最先进的准确性。同时,在 Pascal VOC 数据集上评估时,我们的模型展示了在复杂且小型场景中检测各类对象的能力。
Oct, 2023
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
本文提出多阶段变形卷积神经网络用于目标检测,使用新的变形约束池化层来建模对象部分的变形,并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型,在 ILSVRC 2014 中排名第二,显著提高了目标检测的平均精度。
Sep, 2014
本文提出一种名为 DeepPyramid DPM 的模型,将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合,取得了较好的性能,可用于视觉识别领域。
Sep, 2014
本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型,并使用结构化损失函数进行训练,使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分,从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。
Nov, 2014
Deformable PV-RCNN 利用 2D deformable convolution networks 设计的 proposal refinement module 以及 context gating 机制,实现适应不同目标尺度和点云稠密度的高效 3D 物体检测。
Aug, 2020
通过使用三维可变形卷积神经网络层(d-convolutions)对未经处理的三维磁共振成像进行分类,本研究表明三维可变形卷积优于标准卷积,具有对数据几何特性的鲁棒性,而首次提出的 dVoxResNet 结构在 MRI 数据分类中表现出很高的潜力。
Nov, 2019
本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法,应用于乳腺癌的检测。经过训练和测试,该方法在竞争环节中的 DREAMS 挑战中表现出色,取得了 0.879 的 ROC 曲线下面积,优于其他任何提交的结果。
Feb, 2019