目标检测中的锚框优化
本文研究了自动优化目标检测锚点的问题,提出了一种结合贝叶斯优化和子采样方法的新型超参数优化方法 AABO,已在不同的检测器和数据集上进行了实验,并证明了通过优化锚点配置可提高 1.4% 至 2.4% 的最大平均精度(mAP),如将 Mask RCNN 从 40.3% 提高到 42.3%,HTC 检测器从 46.8% 提高到 48.2%。
Jul, 2020
ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法,通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象,解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。
Jul, 2022
本文提出了 FoveaBox 框架,一种准确,灵活且完全无锚点的物体检测方法,通过预测类别敏感的语义图和每个位置的类别不可知的边界框,避免与锚相关的计算和超参数问题。与所有先进的物体检测器不同,FoveaBox 可以直接学习物体的存在可能性和边界框坐标,因此具有更好的性能和通用性。
Apr, 2019
本研究提出一种名为 DDBNet 的盒子重组方法,过滤掉错位的盒子并将选定的盒子分成边界,并将对齐的边界搜索和分组成一种优化盒子,从而实现更准确的定位,得出实验结果表明我们的方法是有效的,并达到了物体检测领域的最高性能。
Jul, 2020
本文提出了一种名为 MetaAnchor 的新型灵活的锚点机制,它能够从任意自定义的优先框生成锚点函数,并利用权重预测,能够与大部分锚点有关的对象检测系统(例如 RetinaNet)一起使用,并且在锚点设置和边界框分布方面要比预定义的锚点计划更加强韧,同时还具有转移任务的潜力。我们在 COCO 检测任务上的实验证明,MetaAnchor 在各种情况下始终优于其他对照组。
Jul, 2018
通过使用搜索策略自适应地将计算资源定向到可能包含目标的子区域,我们的方法与基于固定锚点的方法相比,在平均使用两个数量级更少的锚点的同时,在准确性上可与最先进的 Faster R-CNN 算法相媲美。
Dec, 2015
该论文提出了一种基于物体感知的无锚点跟踪网络,通过直接预测目标对象的位置和规模,以及引入功能对齐模块来从预测的边界框中学习物体感知特征,从而提高跟踪鲁棒性和精度。实验证明,该跟踪器在五个基准测试中均取得了最先进的性能。
Jun, 2020
本文提出了一种新的锚点分配策略,通过模型的学习状态自适应地将锚点分成正样本和负样本,实现概率推理,并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层,并且不需要每个位置多个锚点,因此非常高效。
Jul, 2020
本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制,更新手工制定的锚点分配为自由的锚点匹配,并通过最大似然估计(MLE)过程来实现检测器训练。该方法通过优化检测有效似然来实现,可以与基于 CNN 的检测器插入并组合使用,实验结果表明,FreeAnchor 在 COCO 数据集上表现优异。
Sep, 2019
提出了一种动态锚点学习方法(DAL),通过全新定义匹配度评估锚点的定位潜力,实现有效标签分配并动态选择高质量锚点以实现准确目标检测,结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。
Dec, 2020