CVPRApr, 2019

中心缩放预测：用于行人和人脸检测的无锚点方法

PDF
TL;DR本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。
object detectionsemantic feature detectioncentral pointsscale predictionbox-free setting
发现论文，激发创造
  • 自适应中心和尺度预测：更稳定和更准确

    该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法，实现了锚点无关和单阶段检测器的高精度，探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中，表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3％，在 partial set 上为 8.7％，在 bare set 上为 5.6％，获得了第二高的性能。

    Feb, 2020

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • ObjectBox: 从中心到盒子的基于锚点的无锚点目标检测算法

    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

  • CenterFace: 采用人脸作为点的联合人脸检测与对齐

    该论文提出了一种名为 CenterFace 的一阶段方法，可在有限的存储空间和低计算能力的边缘设备上以实时速度和高精度同时预测面部框和地标位置，其可以优秀地应用于人脸检测和对齐等场景。

    Nov, 2019

  • CenterNet++ 物体检测

    本文提出的 CenterNet 方法使用 keypoint triplet 创新的实现了无 anchor 的 bottom-up 目标检测，相比于传统 top-down 方法具有更高的召回率和竞争力，并在多个数据集上取得了最优的性能表现。

    Apr, 2022

  • 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

  • 远在眼前？不是真的！--- 基于尺度感知定位策略的行人检测

    本文提出了一种主动型行人检测器，该检测器利用多层神经表示、ResNet 和 faster R-CNNs 等技术实现对行人检测，能够有效解决行人检测中小尺寸行人偏远离摄像头时检测效果不佳的问题，经实验证实具有良好的性能。

    Sep, 2017

  • 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

  • 面向行人检测的尺度感知快速 R-CNN

    本研究探讨了自然场景下的行人检测问题，提出了基于分治思想的 SAF R-CNN 框架来解决实例尺度的变化范围大导致的特征内类别方差大的问题，并在多个具有挑战性的行人检测数据集上实现了业界领先效果。

    Oct, 2015

  • CenterNet: 目标检测的关键点三元组

    本文提出了一种有效的解决方案，通过使用代价最小的方式探索每个裁剪区域中的视觉模式，对目标检测中常见的边界框错误进行了改善，并在 MS-COCO 数据集上实现了 47.0％的 AP，性能比所有现有的一阶段检测器至少高 4.9％。同时，中心网展示出与排名前两名的两阶段检测器相当的性能，并在线上提供代码。

    Apr, 2019