CentripetalNet:针对目标检测中高质量关键点对的追踪
本文提出了一种有效的解决方案,通过使用代价最小的方式探索每个裁剪区域中的视觉模式,对目标检测中常见的边界框错误进行了改善,并在 MS-COCO 数据集上实现了 47.0%的 AP,性能比所有现有的一阶段检测器至少高 4.9%。同时,中心网展示出与排名前两名的两阶段检测器相当的性能,并在线上提供代码。
Apr, 2019
通过使用单个卷积神经网络将检测到的目标边界框检测为一对关键点(左上角和右下角),我们提出了一种名为 CornerNet 的新的目标检测方法,并且引入了一种新的池化层 ——corner pooling,该方法有助于网络更好地定位角点,实验表明在 MS COCO 上,CornerNet 实现了 42.2%的 AP,优于所有现有的一阶段检测器。
Aug, 2018
本文提出的 CenterNet 方法使用 keypoint triplet 创新的实现了无 anchor 的 bottom-up 目标检测,相比于传统 top-down 方法具有更高的召回率和竞争力,并在多个数据集上取得了最优的性能表现。
Apr, 2022
提出了一种名为 CA-CentripetalNet 的新型无锚深度学习框架,用于自动检测建筑工地上的安全帽佩戴情况,并通过垂直 - 水平角池化和边界约束中心注意力两种方案来改进其特征提取和利用能力,实验证明 CA-CentripetalNet 具有更好的性能,在小规模安全帽和未佩戴安全帽的情况下,其平均精确度为 86.63%,在资源消耗方面也表现出较小的内存占用和合理的速度。
Jul, 2023
本研究旨在解决基于关键点的目标检测的高处理成本问题,提出了 CornerNet-Lite 算法,它是 CornerNet 的两个高效变体 CornerNet-Saccade 和 CornerNet-Squeeze 的组合,可以在不牺牲准确性的前提下提高检测效率,为实时检测带来了新的可能性。
Apr, 2019
该论文提出了一种新的基于角点建议网络(CPN)的锚点自由,两阶段目标检测框架,首先通过查找潜在角点关键点组合提取了许多物体建议,然后通过一个独立的分类阶段为每个建议分配一个类别标签,从而提高了召回率和精度。在 MS-COCO 数据集上,CPN 实现了 49.2% 的 AP,超越了大多数同样推理速度的竞争对手。
Jul, 2020
本文提出了一种使用基于关键点估计网络的下向方法进行目标检测的算法,我们只需检测每个对象的最高、最左、最下、最右以及中心五个极点,并且如果这些点在几何上对齐,则将其分组为一个边界框,从而避免了区域分类或隐式特征学习,此算法表现出了与基于区域的检测算法相当的性能。
Jan, 2019
我们提出了一种新颖的学习关键点检测方法,用于增加非刚性图像对应任务中正确匹配数目。通过利用使用指定描述符提取器匹配注释图像对获得的真实对应关系,我们训练了一个端到端的卷积神经网络(CNN)来寻找更适合所考虑描述符的关键点位置。为此,我们对图像应用几何和光度变换来生成监督信号,从而优化检测器。实验证明,我们的方法在与我们的检测方法结合使用时,可以提高多个描述符的均值匹配精度,并且在非刚性对象的真实图像上优于最先进的关键点检测器 20 个百分点。我们还将我们的方法应用于复杂的现实世界的物体检索任务中,我们的检测器在这个任务上的性能与当前可用的最佳关键点检测器相当。源代码和训练好的模型可以在此 URL 上公开获取。
Sep, 2023
本文提出了一种新的视角,即通过高级语义特征检测任务来检测对象,通过卷积实现中心和比例预测来简化行人和人脸检测,使其无需使用窗口分类器或基于锚箱的预测方式,并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。
Apr, 2019