Dec, 2019

基于深度强化学习的大图像目标检测方法

PDF
TL;DR为了减少使用高空间分辨率图像所带来的计算和货币成本，我们提出了一种强化学习代理，该代理自适应地选择提供给探测器的每个图像的空间分辨率，并使用双重奖励设置对代理进行训练，以选择低空间分辨率图像，以运行粗级探测器，同时选择高空间分辨率图像，则运行精细级探测器，该方法在维持与仅使用高分辨率图像的检测器相似的准确性的同时，将运行时间效率提高了 50％，只使用高分辨率图像 30％的时间
发现论文，激发创造
  • 使用深度强化学习进行层次化物体检测

    本文提出了一种使用深度强化学习引导的层级目标检测方法，通过选择含有更多信息的图像部分并对其进行放大来不断迭代提高图像的分析效果，并比较了两种不同的候选对象建议策略，以指导对象搜索，实验表明，采用重叠的候选建议策略和为每个区域建议计算特征映射的第一种策略能够取得更好的结果。

    Nov, 2016

  • 深度强化学习优化何时何地进行缩放

    本文提出了一种名为 PatchDrop 的强化学习方法，该方法可以动态地识别何时和在哪里与配对的低分辨率图像一起使用 / 获取高分辨率数据，从而显著减少高分辨率数据的使用，并在 CIFAR10，CIFAR100，ImageNet 和 fMoW 数据集上保持类似的准确性。

    Mar, 2020

  • 使用深度强化学习实现高效贫困地图绘制

    通过强化学习的方法，结合高分辨率遥感图像和云计算技术，可以在保持精度的情况下降低获取成本，提高贫困预测任务的性能，为可持续发展的多个领域提供实用的应用。

    Jun, 2020

  • 深度强化学习目标检测

    本文介绍了一种基于深度强化学习的主动目标定位算法，比较了两种不同的决策过程方法：分层方法和动态方法，并进一步通过调整不同的超参数和架构变化对模型性能进行了消融研究。

    Aug, 2022

  • 高分辨率图像物体检测的粗细粒度框架

    本文提出一种基于聚类的粗到细的目标检测框架，特别针对小物体和高分辨率图像的大规模差异问题，在提高目标检测准确率的同时降低了计算成本。

    Mar, 2023

  • 多阶段强化学习用于目标检测

    采用强化学习方法进行对象检测，采用预定义区域候选树、缩放操作和优化奖励函数等技术手段，实现更精准的物体边框配置。

    Oct, 2018

  • 高分辨率图像的高效目标检测

    本文介绍了一种结合两种方法的物体检测算法，以有效地检测高分辨率图像中的小物体，主要利用了深度学习中的特征提取模型 AlexNet。

    Oct, 2015

  • 强化学习改进目标检测

    介绍一种名为 ObjectRL 的算法，可以决定应当应用多少特定的图像预处理方法来提高预训练网络的目标检测性能，因为对于神经网络而言，人眼看来好的图像未必是最优的。

    Aug, 2020

  • 大型图像快速目标检测的动态缩放网络

    本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

    Nov, 2017

  • 任务驱动超分辨率：低分辨率图像中的目标检测

    本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用，提出了一种新的框架来训练深度神经网络，通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络，证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。

    Mar, 2018