重新审视一阶段目标检测中的特征对齐
本文研究一次性目标检测的任务,构建了一种同时完成定位和识别的一阶段系统,使用了学到的本地特征的密集相关匹配,前馈几何变换模型来对齐特征,并使用双线性重采样来计算检测分数,在若干挑战性领域的实验评估中,展示了我们的方法可以探测到看不见的类别,并且大幅度地优于其他基线模型。
Mar, 2020
本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet,在不采用其他技巧的情况下,将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。
Jul, 2019
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
通过解决数据、模型和任务之间的差异,AlignDet 提出了一种统一预训练框架,可以适应各种现有的检测器,提高检测器的性能、泛化能力和收敛速度。
Jul, 2023
在这篇论文中,我们提出了一种新颖的 RoI 特征提取器 Semantic RoI Align(SRA),它能够在各种变换下提取不变的 RoI 特征,用于两阶段检测器。我们通过引入语义注意力模块,利用 RoI 内的全局和局部语义关系自适应地确定不同采样区域。我们还提出了动态特征采样器 Dynamic Feature Sampler,根据 RoI 的宽高比动态采样特征,以提高 SRA 的效率。另外,我们引入了一种新的位置嵌入 Area Embedding,通过改进采样区域表示提供更准确的位置信息给 SRA。实验证明,我们的模型在比基准模型轻微计算开销的情况下显著优于其他模型,并具有出色的泛化能力,可以改善各种最先进的主干网络和检测方法的性能。
Dec, 2023
本文提出了一种 Single-shot Alignment Network (S2A-Net) 来解决航拍图像目标检测中常见的分类得分与定位准确度不一致问题,该网络包括 Feature Alignment Module(FAM)和 Oriented Detection Module(ODM),能够自适应调整卷积特征和生成高质量的先验框,同时通过旋转滤波器编码方向信息来实现定位准确度与分类得分的一致性,并在大规模图像上取得了较高的速度和准确度。
Aug, 2020
本文提出了 MimicDet 方法,通过直接模仿两阶段特征来训练一个单阶段检测器,以缩小单阶段和双阶段检测器之间的准确性差距。实验证明,该方法在 COCO 检测基准测试中的效果优于当前最先进的方法。
Sep, 2020
本文介绍了一种名为 AFDetV2 的单级 anchor-free 网络方法在 3D 检测中的应用,并证明其在 Waymo 开放数据集及 nuScenes 数据集上的表现优于以往所有单级和双级 3D 检测方法。该方法在第一阶段中能够准确地回归确定物体位置,无需为此执行第二阶段的调整。
Dec, 2021
本文提出一种新的单级端到端可训练目标检测网络,采用循环滚动卷积 (RRC) 架构在多尺度特征图上构建物体分类器和边界框回归器来克服单级检测方法的限制。在挑战性的 KITTI 数据集上评估了我们的方法,证明 RRC 已经在 KITTI 车辆检测 (困难级别) 中超越了之前所有已发布的结果。
Apr, 2017
本文提出了一种针对定向物体检测的一阶段无锚点检测器,即交互分支网络 (IENet),通过应用新的几何转换来更好地表示定向对象的角度预测,并开发了包含自我关注机制的分支交互模块来融合来自分类和框回归分支的特征,最后,引入了一种增强的 IoU 损失函数来检测 OBB,该算法在与现有算法的比较实验中表现出卓越的效果。
Dec, 2019