Dec, 2019

IoU-uniform R-CNN：突破 RPN 的限制

PDF
TL;DR本论文提出了一种名为 IoU-Uniform R-CNN 的简单而有效的方法，该方法直接生成具有均匀 IoU 分布的训练样本，为回归分支和 IoU 预测分支提供支持，并通过消除推断时 RoIs 的特征偏移来改善 IoU 预测分支的性能。大量实验表明，该方法对许多物体检测架构具有兼容性和适应性。
region proposal networkobject detectorsiou distribution imbalancetraining samplesiou-uniform r-cnn
发现论文，激发创造
  • 合作式 RPN 改进少样本物体检测

    使用多个不同但相互协作的区域建议网络，可以提高在非常少量训练数据的情况下学习检测图像中对象的准确性。

    Nov, 2020

  • Faster R-CNN: 基于区域建议网络实现实时目标检测

    本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

    Jun, 2015

  • Cascade R-CNN：深入探索高质量目标检测

    本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

    Dec, 2017

  • Cascade R-CNN：高质量的目标检测和实例分割

    提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

    Jun, 2019

  • DeRPN：迈向更普适物体检测的更进一步

    本文介绍一种新的维度分解区域提议网络 (DeRPN)，采用 anchor string 机制独立匹配物体的宽度和高度，适用于不同形状物体，针对不同比例物体的不平衡损失计算，设计了新颖的尺度敏感损失函数。在多个数据集测试中，DeRPN 相较传统 RPN 方法具有更好的性能和适应性，且不需要调整超参数或专门优化。

    Nov, 2018

  • 领域自适应物体检测中 region proposal 与分类协同训练

    本文研究领域自适应目标检测中的区域建议网络 (RPN) 和分类器 (RPC)，发现了二者在面对大型区域差异时的显著差异，通过最小最大优化及使用低置信度样本差异计算，提出了一种互相指导训练，并在多种场景下验证了其有效性的方法。

    Sep, 2020

  • 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

  • 一种系统的 IoU 相关方法：超越简单回归以获得更好的定位

    提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

    Dec, 2021

  • 单阶段三维物体检测中基于 IoU 的优化的再思考

    本文提出一种新的旋转解耦 IoU (RDIoU) 方法，通过将旋转变量作为独立项来简化回归参数的复杂交互，并在回归和分类分支中应用 RDIoU，从而可以提高单级 3D 目标检测的准确性和稳定性，并在 KITTI 和 Waymo 开放数据集的广泛实验中验证，此方法可以带来相当大的改进。

    Jul, 2022

  • 获取定位置信度以实现准确目标检测

    本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

    Jul, 2018