CVPRAug, 2019

基于 Mask-RCNN 的概率目标检测基准线

PDF
TL;DR本文主要介绍使用新的评估指标（PDQ）和一个新的合成图像数据集评估目标检测方法的概率目标检测挑战。作者使用了经过微调的 Mask-RCNN 以及一些额外的后处理方法，最终在排行榜中得到了第二名的成绩，并且获得了最高的空间质量和平均检测质量，这可以为以后的研究提供强有力的基线。
probabilistic object detection challengepdqmask-rcnnpost-processingmean average precision
发现论文，激发创造
  • 概率目标检测：定义与评估

    介绍一种新的概率目标检测方法，可提供准确的空间和语义不确定性，与现有方法进行对比，证明传统目标检测方法在空间上犯有严重错误，并鼓励开发新的对象检测方法以在实际场景中实现机器人和具体化的人工智能系统。

    Nov, 2018

  • 拥挤场景下逐步端到端目标检测

    本论文提出了一种新的基于查询的检测框架，利用一对一标签分配规则，提出了一种渐进式预测方法来解决拥挤场景下已有检测器多次预测和性能饱和的问题；实验表明，这种方法可以显著提高拥挤场景下基于查询的检测器的性能并具有稳健性，可以在各种场景中实现一致的改进效果。

    Mar, 2022

  • 通过动态训练实现高质量对象检测的动态 R-CNN

    本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$

    Apr, 2020

  • 使用改进的 Faster RCNN 进行人脸检测

    本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法，通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法，实现了在 WIDER FACE 验证数据集（易于设置、中等设置、困难设置）三项任务中的两个第一名和一个第二名。

    Feb, 2018

  • 基于卷积神经网络的目标检测概率模型

    本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器，旨在解决区域信息浪费和效率与准确性之间的权衡问题，通过将图像映射为对象的概率分布，该模型以更少的计算量提供更丰富的输出，并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。

    Aug, 2018

  • 准确物体检测与语义分割的丰富特征层次结构

    提出一种基于卷积神经网络的 Region Proposal 方法 R-CNN，它与 CNN 结合起来使用更高的上下文信息，加上有监督的预培训方法，实现了在 PASCAL VOC 2012 数据集上的平均准确率 mAP 达到 53.3%。

    Nov, 2013

  • 可扩展的高质量目标检测

    本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

    Dec, 2014

  • 单次双向金字塔网络用于高质量物体检测

    通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

    Mar, 2018

  • 基于深度学习的人脸检测：一种改进的 Faster RCNN 方法

    利用深度学习技术提高了 faster RCNN 的性能，实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。

    Jan, 2017

  • IQDet: 基于实例品质分布采样的目标检测方法

    提出了一种密集物体检测器 IQDet，它使用实例级采样策略来自动选择质量高的样本，并在 MS COCO 数据集上实现了超越现有最先进的单级检测器的结果。

    Apr, 2021