HRDNet:用于小物体高分辨率检测的网络
High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.
Aug, 2019
该论文介绍了基于深度卷积网络的 Feature Pyramid Network(FPN),该网络利用深度卷积网络自带的金字塔多尺度特征,并在多种应用中取得了重大改进,尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外,该方法能够在 GPU 上以 5 FPS 的速度运行,是一种实用且准确的多尺度目标检测解决方案。
Dec, 2016
本文提出了深层分层网络 HyperNet,以处理区域提案生成和目标检测。HyperNet 基于精心设计的超级特征,将图像的深层、中间和浅层特征结合在一起,实现了端到端的联合训练策略,并在每张图像使用仅 100 个提案达到了 PASCAL VOC 2007 和 2012 检测数据集上的完全领先的召回和最先进的目标检测准确度。
Apr, 2016
深度哈希技术利用高分辨率特征提取的高分辨率哈希网络(HHNet)在复杂数据集上显示出优于现有方法的性能提升,强调了在复杂图像检索任务中学习高分辨率特征的必要性。
Mar, 2024
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
通过提出一种新的单次检测框架 BPN,采用双向金字塔特征结构和级联锚点细化,实现了更精确的目标检测,提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能,特别是在高质量检测方面。
Mar, 2018
本文提出了多尺度卷积神经网络(MS-CNN)用于实现快速的多尺度目标检测。并通过一个 proposal sub-network 和一个 detection sub-network 实现了 end-to-end 的联合训练,同时还探索了使用反卷积代替输入插值以减少内存和计算成本的方法。最后在 KITTI 和 Caltech 等数据集上实现了超过 15fps 的最先进的目标检测表现。
Jul, 2016