ECCVMar, 2020

基于锚点特征匹配的单阶段单次检测目标识别

PDF
TL;DR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。
one-shot object detectiondense correlation matchingend-to-end trainingunseen class detectionoutperforms baselines
发现论文，激发创造
  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • 重新审视一阶段目标检测中的特征对齐

    提出了一种 RoIConv 算子和 AlignDet 架构，用于解决单阶段目标检测中 anchor boxes 和卷积特征之间的错位问题，取得了 44.1 的最佳平均精确度。

    Aug, 2019

  • M3DSSD：单目 3D 单阶段物体检测器

    本文提出了一个在特征对齐和非对称非局部注意力机制下的单目三维单级物体检测器 (M3DSSD)，借助两步特征对齐来解决现有锚点法单目三维目标检测方法在特征匹配方面的缺陷，并提出了一种新的非对称非局部注意力块，实现更好的物体深度预测效果，并在 KITTI 数据集上取得了显著的成果。

    Mar, 2021

  • TOOD：任务对齐的一阶段目标检测

    本文提出一种 Task-aligned One-stage Object Detection（TOOD）方法，通过设计一种 Task-aligned Head（T-Head）和 Task Alignment Learning（TAL），在学习过程中显示地对齐对象分类和定位这两个任务，实验结果表明，TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。

    Aug, 2021

  • 对象检测的单次修订神经网络

    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

  • 面向方向物体检测的深度特征对齐

    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

  • 多尺度特征对应下的自监督共显目标检测

    我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证明，性能明显优于现有最先进模型。

    Mar, 2024

  • S4OD: 单阶段目标检测的半监督学习

    本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

    Apr, 2022

  • 通过深度特征匹配进行一次性 6D 物体姿态估计的 PoseMatcher

    本文提出了一种基于 three-view 系统的 PoseMatcher 模型来进行精确的无模型一次性物体位姿估计，同时引入了 IO-Layer 进行有效信息的交叉注意力，还设计了对象点云下的基于数字图像处理的目标选取和定位算法。实验结果证明该方法在 Linemod 和 YCB-V 数据集上表现优异。

    Apr, 2023

  • 零样本检测

    提出一种零样本方法，该方法通过训练一个将语义属性预测与视觉特征融合以提出所观察到和未观察到对象类别的目标边界框的端到端模型，不使用语义信息，在测试时能明显提高针对未知对象的平均精度，应用于 PASCAL VOC 和 MS COCO 数据集时观察到显著改进。

    Mar, 2018