ECCVApr, 2020

通过动态训练实现高质量对象检测的动态 R-CNN

PDF
TL;DR本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$
dynamic r-cnnobject detectorstraining processlabel assignmentregression loss function
发现论文，激发创造
  • Cascade R-CNN：深入探索高质量目标检测

    本文提出一种多阶段目标检测架构，Cascade R-CNN，通过一系列的检测器训练，逐步提高在增加交并比（IoU）阈值下对近似假阳性的选择性，从而减少过拟合问题，并在推理时提供更接近每个阶段检测器质量的假设匹配，实现在 COCO 数据集上比所有单模型目标检测器表现更好。

    Dec, 2017

  • 动态稀疏 R-CNN

    本文提出了两种动态设计来改进 Sparse R-CNN，第一种是基于最优传输算法的动态标签分配，第二种是动态提案生成，实验结果表明我们的方法使目标检测达到了最新的表现。

    May, 2022

  • 面向 R-CNN 的对象检测

    本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN，其中包括一种面向区域提议网络（oriented RPN），可以直接生成高质量的面向提议，并具有最先进的检测精度。

    Aug, 2021

  • Cascade R-CNN：高质量的目标检测和实例分割

    提出了一种多阶段目标检测架构 Cascade R-CNN，采用一系列具有递增 IoU 阈值的检测器进行训练，以解决因过度拟合和推理时间质量不匹配而导致的高质量检测难题，在 COCO 数据集中取得了最先进的性能，并显著提高了通用和特定对象检测数据集上的高质量检测。

    Jun, 2019

  • 领域自适应快速 R-CNN 用于野外物体检测

    本文旨在提高物体检测的跨域鲁棒性，通过基于 Faster R-CNN 的两级域自适应组件来解决图像水平和实例水平的域偏移问题，实现域不变的 RPN 学习，从而提高物体检测在不同领域转移场景下的有效性。

    Mar, 2018

  • DeepID-Net: 多阶段和可形变深度卷积神经网络用于目标检测

    本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

    Sep, 2014

  • DynamicDet: 一种用于物体检测的统一动态架构

    本文提出了一种名为 DynamicDet 的动态框架，该框架基于对象检测任务的本质，设计了一种动态架构，并提出了一种自适应路由来分析多尺度信息并自动决定推理路线，然后提出了一种新的基于检测损失的优化策略，最后提出了一种可变速推理策略，该策略可以实现广泛的准确度和速度之间的权衡，实验结果表明，DynamicDet 实现了新的最新的准确度 - 速度权衡。

    Apr, 2023

  • 终身目标检测

    本研究提出了一种通过区域提议网络和区域分类网络的知识蒸馏来预防灾难性遗忘的方法，以持续或终身学习实时物体检测，实验结果表明该方法具有较高的 mAP 和 6 倍的推理速度提升。

    Sep, 2020

  • 大型图像快速目标检测的动态缩放网络

    本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

    Nov, 2017

  • DCDet: 动态基于交叉的 3D 目标检测器

    近年来，3D 物体检测的研究取得了显著进展。然而，大多数现有研究聚焦于基于中心或基于锚点的标签赋值方案的利用。在 3D 物体检测中，尚未探索其他的标签赋值策略。我们发现，基于中心的标签赋值方法通常在训练时生成不足的正样本，而基于锚点的标签赋值方法在处理不同尺度的物体时往往遇到不平衡问题。为了解决这些问题，我们引入了一种动态交叉标签赋值（DCLA）方案，该方案为每个物体动态地从交叉区域中分配正样本，从而为训练提供足够且平衡的正样本。此外，为了应对准确回归具有不同尺度的物体的挑战，我们提出了一种基于旋转加权交并比（RWIoU）的回归损失指标，以替代广泛使用的 L1 损失指标。大量实验证明了我们的 DCLA 和基于 RWIoU 的回归损失的普适性和有效性。代码可在此网址上获取：https:// 链接地址

    Jan, 2024