基于区域分解和组装的目标检测
提出一种基于卷积神经网络的Region Proposal方法R-CNN,它与CNN结合起来使用更高的上下文信息,加上有监督的预培训方法,实现了在PASCAL VOC 2012数据集上的平均准确率mAP达到53.3%。
Nov, 2013
本文提出一种基于卷积神经网络和语义分割的目标检测系统,利用迭代定位机制,通过高效运用模块来检测物体,并在PASCAL VOC数据集上获得了比其他方法更高的检测精度。
May, 2015
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
本文旨在研究在基于卷积神经网络(CNNs)的检测器中,Proposal Generation在模型中的作用,分析其是否是必要的建模组件,承载比CNN本身多的关键几何信息,或者仅仅是一种加速检测的方法。我们通过设计和评估一个检测器来证明使用Proposal Generation仅仅是一种加速检测的方法,不需要使用其他算法处理图像。同时,我们还提出了多个改进方案,简化了基于CNN的检测器的训练,加速了检测。
Jun, 2015
本文提出了一种名为CRAFT的算法,通过将目标检测问题分解成四个子任务,分别用网络串联解决,以获得更紧凑和更好定位的目标建议和减少错误分类而获得在 PASCAL VOC 07/12 和 ILSVRC 等数据集上的改进。
Apr, 2016
本文提出一种基于亚类别感知的CNN目标检测方法,使用新颖的区域提出网络和检测网络,以亚类别信息引导提出生成过程和实现联合检测和亚类别分类,从而在常用基准上实现了检测和姿态估计的最佳表现。
Apr, 2016
本论文涉及基于区域的检测器,使用卷积网络实现高效的物体检测,使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题,可自然地采用全卷积图像分类器骨干网进行物体检测,以101层残差网络(ResNet)在PASCAL VOC数据集上取得83.6%mAP的竞争性结果,测试时间为每张图像170ms,比Faster R-CNN快2.5-20倍。
May, 2016
本研究提出了一种名为CoupleNet的新型全卷积网络,通过耦合全局结构与局部部分进行目标检测,其中一个分支采用位置敏感RoI池化来捕获对象的局部信息,而另一个分支则采用RoI池化来对全局和上下文信息进行编码。实验证明该方法具有良好的效果。
Aug, 2017
本文详细介绍了如何通过改进区域提议和深度对象识别两个步骤来提高 Faster R-CNN 的效果。我们提出了一种新的轻量级级联结构,可以有效地提高区域提议质量,重新实现了全局上下文建模,同时广泛应用预训练思想,最终在几个测试数据集上均获得了优异的结果。
Oct, 2017
本文提出一种基于展开潜在结构的模型可解释性解释方法并以物体检测为案例运用了有向无环图模型探索ROI区域中潜在的部件结构并自动生成部件组合,最后在PASCAL VOC 2007和2012数据集上进行验证,结果表明其方法能够不影响性能的情况下展现有希望的潜在结构。
Nov, 2017