Apr, 2019

FoveaBox：超越基于 Anchor 的目标检测器

PDF
TL;DR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。
foveaboxobject detectionanchor-freesemantic mapsbounding box
发现论文，激发创造
  • 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

  • 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

  • 目标检测中的锚框优化

    本文提出了一种优化锚盒形状以提高目标检测精度的方法，通过动态学习锚盒形状来适应数据分布和网络学习能力，该方法对训练成本几乎没有额外开销，且能够在多个基准数据集上实现显著的改进。

    Dec, 2018

  • 深入学习物体检测中的包围盒

    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

  • AABO: 基于贝叶斯子采样的适应锚框优化目标检测

    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

  • PyramidBox：基于上下文辅助的单次检测人脸算法

    本文提出了一种新的基于上下文辅助的单次射击人脸检测器 PyramidBox，通过设计新的上下文锚点、引入上下文敏感的结构和使用 Data-anchor-sampling 方法增加训练样本的多样性等方式，优化了上下文信息的利用和预测网络的容量，达到了先进技术在 FDDB 和 WIDER FACE 等基准测试的优异性能。

    Mar, 2018

  • Ocean: 基于目标感知的无先验锚点跟踪

    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

  • 快速车辆检测的进化框盒

    该论文介绍了一个新型的深度学习框架 Evolving Boxes，可以快速从交通监控摄像头中检测车辆，包括轻量级的候选框网络和精细调整网络，以及不同的特征融合技术，相比 Faster RCNN 在 DETRAC 基准测试中提高了 9.5% 的 mAP，可以在商业 GPU 上以 9-13 FPS 的检测速度运行。

    Feb, 2017

  • 基于盒式感知的点云单目标跟踪特征增强

    本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法，相比于之前的算法，在 KITTI 和 NuScenes 数据集上有了很大的提升。

    Aug, 2021

  • 无需边界框的物体定位

    本文提出了一种可用于无未注释的边界框的 object location 评估的 Loss function，该方法不需要边界框、区域提议或滑动窗口，并使用 3 个数据集对该方法进行了评估，分别为人头位置、瞳孔中心和植物中心。我们的方法优于最先进的通用对象检测器和针对瞳孔跟踪微调的方法。

    Jun, 2018