Apr, 2019

通用边界框回归及其应用

PDF
TL;DR本文提出了一种通用的边界框回归器（UBBR），其中包括 bounding-box regression、object detection、generalizability 和 class-agnostic 等关键词，并展示了其在弱监督目标检测和目标发现中的有效性。
bounding-box regressionobject detectiongeneralizabilityclass-agnosticubbr
发现论文，激发创造
  • 一种新的边界框回归方法用于单目标跟踪

    本研究通过引入两种新的边界框回归网络（inception 和 deformable）来在目标检测中提高定位准确性，并在多个基准测试中取得了优于现有方法的表现。

    May, 2024

  • 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

  • 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

  • 利用不确定性的边界框回归进行准确的目标检测

    本研究提出了一种新颖的边界框回归损失方法，该方法结合了学习边界框变换和定位方差。研究表明，该方法显著提高了各种框架的准确性。同时，学习到的定位方差允许我们在非极大值抑制期间合并相邻的边界框，进一步提高了定位性能，超越了先前的最先进的边界框精化方法。

    Sep, 2018

  • UnitBox：一种高级物体检测网络

    该研究提出了一种新的物体检测方法 UnitBox，利用 Intersection over Union （IoU）loss 和深度卷积神经网络（CNNs）进行精准定位，成功在人脸检测任务中实现了最佳性能。

    Aug, 2016

  • 通过两步协同预测实现自适应边界框不确定性

    通过引入预测不确定性，我们采用两步法的适应性确保了多对象检测的容器边界框的预测可靠性.

    Mar, 2024

  • 自回归不确定性建模：3D 边界框预测

    本研究针对计算机视觉应用中对三维边界框的预测挑战，提出了自回归预测方法来改进输出分布的建模，并采用自身数据集 COB-3D，并探索实际机器人应用中新的模糊不确定性，最终在 SUN-RGBD、Scannet、KITTI 和本文提出的数据集上取得了良好的预测效果和意义明确的不确定度测量。

    Oct, 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

  • Inner-IoU：更有效的交并比损失函数与辅助边界框

    通过对边界框回归模型的分析，我们提出了 Inner-IoU 损失函数，通过辅助边界框计算 IoU 损失，在不同数据集和检测器中引入缩放因子比例以控制辅助边界框的尺寸，实现了边界框回归过程的加速，并通过模拟和比较实验证明了该方法的有效性和普适性，进一步提高了检测性能。

    Nov, 2023

  • Focaler-IoU：更聚焦的交并比损失函数

    通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

    Jan, 2024