Apr, 2020

ObjectNet 数据集：重新分析与更正

PDF
TL;DR通过将物体识别器应用于包含多个物体的场景而非孤立物体，我们发现在 ObjectNet 数据集中可以获得约 20-30％的性能提升。相比于 ObjectNet 文献中报告的结果，我们观察到可以恢复约 10-15％的性能损失，无需进行任何测试时间数据增强。然而，正如 Barbu 等人的结论一样，深度模型在该数据集上表现明显不佳。因此，我们认为 ObjectNet 仍然是测试模型广义性能的具有挑战性的数据集。
objectnetobject recognition modelsgeneralization abilitydeep modelsperformance gain
发现论文，激发创造
  • 思考真实世界物体分类

    对深层模型在 ObjectNet 数据集上的表现及其在各种数据变化下的鲁棒性进行了研究，并发现将深层模型应用于对象而不是整个场景会显著改善性能，并且将对象区域限制在较小的范围内可提高准确性和鲁棒性。

    Mar, 2021

  • TrackingNet: 野外物体跟踪的大规模数据集和基准

    该研究提出了 TrackingNet 数据集，为在野外进行物体跟踪提供了第一个大规模数据集和基准，并评估了 20 多个追踪器模型，结果表明，在野外物体跟踪仍然远未解决。

    Mar, 2018

  • 重新审视点云分类：一个新的基准数据集和基于真实世界数据的分类模型

    本文研究基于点云数据的深度学习技术在解决三维计算机视觉领域中的经典问题方面的应用。作者介绍了 ScanObjectNN 数据集并展示了其对于点云对象分类问题的挑战性，提出了三个关键的挑战问题，并提出了一些解决方案，最终实现了在背景杂乱的情况下对于点云对象的分类，达到了最佳效果。

    Aug, 2019

  • Microsoft COCO：上下文中的通用物体

    本研究旨在推进目标识别的最新进展，提出了一种数据集的形式，通过将目标识别的问题置于场景理解的更广泛背景下，聚集了包含常见物品的复杂日常场景的图像，并利用每个实例分割对物品进行标记以协助精确定位，该数据集包含 91 种 4 岁儿童容易识别的对象类型，有 328k 张图像和 250 万个标记实例。本文最终提供了一种基于可变形零件模型的边界框和分割检测结果的基线性能分析。

    May, 2014

  • 广泛应用领域物体检测的最新模型

    该研究提供了一份数据集和最佳模型清单，比较分析了 5 个顶级数据集在各类深度学习模型上的性能，进一步探讨物体检测领域中的一阶和二阶方法。通过定量和定性分析，提供了性能最佳的模型和数据集组合。

    Nov, 2022

  • 显著目标检测：基准测试

    通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型（28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准）以进行显著目标检测和分割方法的基准测试，评价显示，这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题，我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好，这为问题的精确定义提供了提示，并提出了一些可能的解决方案和未来的研究方向。

    Jan, 2015

  • 目标识别研究现状：以 iCub 机器人为视角

    本研究通过设计一种数据获取协议，对目前的深度学习方法在机器人视觉中的物体识别效果进行了广泛研究，并介绍了一个新的数据集。研究结果表明，需要知识转移才能提高性能，同时发现了机器人应用中的物体识别问题与图像检索任务之间的主要差异。

    Sep, 2017

  • OpenNet: 自动驾驶目标检测的增量学习与平衡损失

    提出了一种用于自动驾驶目标检测的方法，通过平衡损失来缓解类别不平衡，采用梯度重塑的归纳层快速学习有限样本的新类别，通过归一化特征蒸馏来防止灾难性遗忘，并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能，实验证明该方法在 CODA 数据集上表现出更好的性能。

    Nov, 2023

  • 在目标检测中进行鲁棒性基准测试：自动驾驶应对冬日来临

    该论文提供了一个易于使用的基准来评估深度学习模型在图像质量下降的情况下完成目标检测的能力，并通过数据增强方法，即对训练图像进行艺术风格化处理，有效提高了模型鲁棒性。

    Jul, 2019

  • 利用 CIFAR10 比较深度神经网络和人类的视觉识别性能

    本文通过对自然图像数据集 CIFAR10 的人工识别实验，与最新的深度神经网络进行了公平的比较，揭示了当前人工智能目标识别与人类识别能力之间的差距，同时提出了一种可用于评估和改进未来神经网络的新型 CIFAR10 分级子集。

    Nov, 2018