Mar, 2020

OpenImage2019 目标检测和实例分割比赛冠军解决方案

PDF
TL;DR本文介绍了两个冠军团队在 OpenImage Challenge 2019 中的解决方案。我们基于对分类和回归问题进行特征提取的实践，提出了 Decoupling Head (DH) 技术，在目标分类和定位问题中取得了巨大的性能提升。此外，我们还对 soft-NMS 算法进行了调整，提出了一种 ensemble strategy 来控制识别结果的准确性，最终我们在比赛中获得了第 1 名，并在实例级语义分割方面取得了优异的表现。
object detectiondecoupling headsoft-nms algorithmensemble strategyinstance-level semantic segmentation
发现论文，激发创造
  • 重新审视物体检测器中的 Sibling Head

    本文介绍了一种名为 TSD 的方法，通过生成两个解耦的提议来解决 Fast RCNN 的 shared head 在分类和定位中的空间错位问题，该方法可以使得单模型检测器性能提高到 mAP 49.4 甚至更高，是 Google OpenImage Challenge 2019 的一等奖模型核心。

    Mar, 2020

  • 解耦稠密物体检测器

    研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

    Jul, 2021

  • 基于数据不平衡的大规模分层目标检测高效网络学习：Open Images Challenge 2019 第三名方案

    该研究报告详细介绍了他们对 Google AI Open Images Challenge 2019 目标检测赛题的解决方案。通过对 Open Images 数据集进行详细分析，提出了采用大型骨干网络、分布式 softmax 损失、类别感知采样等策略，在最优模型的基础上进行模型融合，最终在该挑战中获得了第三名，公共排行榜 mAP 为 67.17，私有排行榜为 64.21。

    Oct, 2019

  • 解决大规模分层目标检测数据集中不完整标注和数据不平衡问题

    本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略，以 Open Images Datasets 为数据集，在强大的 SENet154 的支持下，取得了 62.2% 的 mAP，位列公共领袖板（第 2 名）和私人领袖板（第 3 名），只比第一名低了 0.04 个点。

    Oct, 2018

  • 基于锚点特征匹配的单阶段单次检测目标识别

    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。

    Mar, 2020

  • 物体检测和实例分割的分解学习

    本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。

    Nov, 2015

  • segDeepM: 利用深度神经网络中的分割和上下文，实现物体检测

    本文提出了一种基于目标分割来提高目标检测准确性的方法，经过实验在 PASCAL VOC 2010 数据集上相对于 R-CNN 基线与当前最先进的方法，准确度分别提高了 4.1% 和 3.4%。

    Feb, 2015

  • SOLOv2: 动态和快速的实例分割

    本文提出一种简单、直接、快速的实例分割框架，其主要创新点是动态地学习对象分割器的掩码头（mask head），并引入了 Matrix NMS 来显著减少 NMS 导致的推理时间开销。该方法在速度和准确率上优于当前最先进的方法，在对象检测和全景分割等任务中也表现出良好的性能。

    Mar, 2020

  • 基于多区域和语义分割感知的 CNN 目标检测模型

    本文提出一种基于卷积神经网络和语义分割的目标检测系统，利用迭代定位机制，通过高效运用模块来检测物体，并在 PASCAL VOC 数据集上获得了比其他方法更高的检测精度。

    May, 2015

  • 重新思考物体检测的分类和定位

    通过全面分析，我们发现全连接头和卷积头对于分类和定位任务具有相反的偏好，因此我们提出了一种 Double-Head 方法，其中全连接头专注于分类，卷积头用于边界框回归，该方法在 MS COCO 数据集上得到了优异的表现。

    Apr, 2019