CVPRMar, 2019

面向单阶段目标检测的特征选择无锚点模块

PDF
TL;DR本文提出了一种基于特征选择锚点的：Feature Selective Anchor-Free (FSAF) 模块，它是一种可以插入特征金字塔结构的单镜头目标检测器构建模块，通过多级无锚点分支来在线选择特征以训练模型，并具有较高的检测准确性和速度。实验结果表明，FSAF 模块与 RetinaNet 效果相比显著提高，在 COCO 数据集上实现了 44.6% 的 mAP，成为目前所有现有单镜头检测器中表现最佳的模型。
发现论文，激发创造
  • FCOS：一种简单而强大的无锚点目标检测器

    在计算机视觉中，我们提出了一种完全卷积的一阶段对象检测器（FCOS），以像语义分割等其他密集预测问题的方式解决像素级预测对象检测问题，该检测器不需要预定义的基础框，并且避免了与基础框计算相关的超参数，非常简单有效。

    Jun, 2020

  • 对象检测的单次修订神经网络

    本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

    Nov, 2017

  • 自动可伸缩人脸检测器

    通过不同的可微架构搜索方法，提出的 AutoFAE 模块在人脸检测方面表现出优异的性能，并在 WIDER Face 测试中实现了 AP 96.7/96.2/92.1 的结果。

    Jan, 2022

  • FSSD: 特征融合单发多框检测器

    本文提出了一种增强了 SSD 的神经网络模型 FSSD，通过轻量级的特征融合模块，能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测，从而提高检测精度，同时保证了检测速度。实验表明，相较于传统的 SSD 等许多对象检测算法，FSSD 在准确度和速度两方面都有较明显的提升。

    Dec, 2017

  • 软锚点目标检测

    本文介绍了一种新的基于 anchor point 的 anchor-free 检测方法，提出了一种解决训练问题的简单而有效的训练策略，并开发了一种名为 Soft Anchor-Point Detector 的单阶段 anchor-free 检测器，超越了最近的最先进的 anchor-free 和 anchor-based 检测器。

    Nov, 2019

  • FoveaBox：超越基于 Anchor 的目标检测器

    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

  • SAFDNet：一种简单有效的全稀疏 3D 物体检测网络

    通过设计自适应特征扩散策略，提出了一种用于完全稀疏的三维目标检测的高效架构 SAFDNet，并在长距离检测场景中证明了其有效性。

    Mar, 2024

  • DSFD: 双阶段人脸检测器

    本文提出了一种名为 “Dual Shot Face Detector (DSFD)” 的新型人脸检测网络，通过三个关键方面的改进：改善特征学习、优化损失设计、数据增强，达到了超越现有人脸检测器的效果。

    Oct, 2018

  • FCOS：全卷积单阶段目标检测

    本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

    Apr, 2019

  • AFDet：基于锚点的一阶段三维物体检测

    提出了一种名为 AFDet 的基于 CNN 加速器或 GPU 的单阶段检测器，避免了基于锚点的检测方法中后处理复杂且计算代价高、锚点参数调整困难的问题。在 KITTI 和 Waymo 数据集验证集上表现良好。

    Jun, 2020