Mar, 2020

SaccadeNet: 一种快速准确的物体检测器

PDF
TL;DR该论文介绍了一种名为 SaccadeNet 的实时目标检测算法，它借鉴了人眼通过扫视信息获得物体位置的神经学机制，使用卷积神经网络并结合关键点定位进行快速精准的检测。在 MS COCO 数据集上，SaccadeNet 实现了 40.4％ mAP（每图平均精度）和 28FPS（每秒帧数）和 30.5％ mAP 和 118FPS 的性能，在实时性能和检测精度两方面表现出色。
object detectionsaccadeneurosciencecnnreal-time
发现论文，激发创造
  • 用于图像分类，目标检测和跟踪的扫视机制

    利用视觉运动机制中的 Saccade 机制，结合注意力驱动的视觉处理方法来实现深度学习神经网络分类和目标检测问题的智能数据压缩，实验在 ResNet-18，ViT，DETR 和 TransTrack 模型上进行，结果显示了该方法具有不错的性能表现。

    Jun, 2022

  • SaccadeCam：自适应的视觉注意力在单目深度感知中的应用

    本文提出了一种名为 SaccadeCam 的方法，通过自适应地分配分辨率到场景中的兴趣区域，实现单目深度估计的端到端学习。该算法将充分考虑物体在视觉系统中的感知特性。

    Mar, 2021

  • AttentionNet: 弱方向聚合准确物体检测

    本文提出了一种名为 AttentionNet 的基于深度卷积神经网络的新型检测方法，将目标检测问题视为迭代分类问题，通过提供定量化的目标物体弱方向并融合来自 AttentionNet 的迭代预测结果，从而实现更精确的物体边界检测。AttentionNet 是一种统一的目标检测网络，从物体提议到后续的 bounding-box 回归均可进行检测，并在人类检测任务中取得了 65%（AP）的最先进效果，仅采用 8 层结构。

    Jun, 2015

  • 视觉目标检测的注意力网络

    基于注意力机制的深度神经网络在物体检测任务中的应用

    Feb, 2017

  • CornerNet-Lite: 基于关键点的有效目标检测

    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

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 动态场景中基于物体的扫视决策的模块化框架

    通过建立一种新的模型，模拟人眼在动态实景场景中的活动探索过程，该模型中采用了漂移扩散模型（DDM），将其扩展为多种选项，并将决策与基于对象的场景感知进行了明确的联系。

    Jun, 2021

  • Saccader: 改进视觉硬注意力模型的准确性

    通过 Saccader 硬关注模型，基于类标签和策略梯度优化算法，准确分类图像并显示只注视图像的部分，性能达到了接近 ImageNet 基准的 75% 和 91% 的 Top-1 和 Top-5

    Aug, 2019

  • 基于全卷积网络的视频显著对象检测

    本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

    Feb, 2017

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019