Sep, 2019

FreeAnchor：学习匹配锚点以进行视觉目标检测

PDF
TL;DR本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制，更新手工制定的锚点分配为自由的锚点匹配，并通过最大似然估计（MLE）过程来实现检测器训练。该方法通过优化检测有效似然来实现，可以与基于 CNN 的检测器插入并组合使用，实验结果表明，FreeAnchor 在 COCO 数据集上表现优异。
cnn-based object detectorsintersection-over-unit (iou)freeanchordetector trainingmaximum likelihood estimation (mle)
发现论文，激发创造
  • 视觉对象检测的多锚点学习

    本文提出了一种使用多个关键点选择和转化特征点来优化视觉目标检测器的方法，经过与 Clssification 和 Localisation 模型的联合优化，该模型在多个基准测试中都得到了显著的性能提升。

    Dec, 2019

  • 用于目标检测的 IoU 预测的概率锚点分配

    本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

    Jul, 2020

  • 基于嘈杂锚点的单阶段目标检测学习

    本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

    Dec, 2019

  • MetaAnchor: 使用定制的锚点学习对象检测

    本文提出了一种名为 MetaAnchor 的新型灵活的锚点机制，它能够从任意自定义的优先框生成锚点函数，并利用权重预测，能够与大部分锚点有关的对象检测系统（例如 RetinaNet）一起使用，并且在锚点设置和边界框分布方面要比预定义的锚点计划更加强韧，同时还具有转移任务的潜力。我们在 COCO 检测任务上的实验证明，MetaAnchor 在各种情况下始终优于其他对照组。

    Jul, 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

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 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

  • 伪交并比：改进基于锚点无监督目标检测中标签分配

    本研究提出了 Pseudo-Intersection-over-Union (Pseudo-IoU) 指标，通过将其融入端到端单级别无锚点物体检测框架，可以实现更加标准化和准确的规则分配，从而提高 PASCAL VOC 和 MSCOCO 等常规物体检测基准测试的性能。

    Apr, 2021

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • 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