ECCVJul, 2020

HoughNet：整合近距离和远距离证据进行自底向上目标检测

PDF
TL;DR本文介绍一种基于投票的、一阶段的、无锚点的、自底向上的目标检测方法 HoughNet，它通过广义 Hough 变换在某个位置上的票数之和来确定目标的存在，并根据对数极坐标投票字段从近处和远处位置收集票数，从而集成近距离和远距离的分类条件证据以进行视觉识别，从而推广和增强当前的目标检测方法。在 COCO 数据集上，HoughNet 的最佳模型达到了 46.4 $AP$（和 65.1 $AP_{50}$），在自底向上的目标检测中表现与最先进的方法相当，并且在大多数主要的一阶段和两阶段方法中表现更好。我们进一步通过将 HoughNet 的投票模块集成到两个不同的 GAN 模型中并显示在两种情况下准确度显著提高来验证我们方法的有效性。
发现论文，激发创造
  • 点云三维目标检测的深度 Hough 投票

    本文提出了一种基于深度点集网络和 Hough 投票的端到端三维物体检测网络 VoteNet，通过纯几何信息在两个大型真实三维扫描数据集 ScanNet 和 SUN RGB-D 上实现了最先进的三维检测，且模型设计简单，模型大小小，效率高，并且不依赖于颜色图像。

    Apr, 2019

  • HyperNet：准确区域提议生成与联合目标检测

    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

  • CenterNet++ 物体检测

    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

  • 无 Anchor，两阶段物体检测的角点提案网络

    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

  • HoughNet: 用于消失点检测的神经网络架构

    本文介绍了一种基于快速霍夫变换层的新型神经网络架构，将其应用于处理文档图像中的消失点检测问题，并使用 MIDV-500 数据集证明其强大的泛化能力。

    Sep, 2019

  • 基于投票的点云三维物体检测中的代表点追溯

    该研究提出了一种名为 BRNet 的新型三维物体检测方法，采用自底向上和自上而下的策略，通过回溯策略捕捉原始点云中潜在对象周围的细微局部结构特征，从而实现更可靠和灵活的对象定位和分类预测结果。

    Apr, 2021

  • 通过投票步骤扩散从点云中进行的 3D 物体检测

    通过估计点云分布的得分函数，将随机的 3D 点移动到物体中心分布的高密度区域，以改善 3D 物体检测的性能。

    Mar, 2024

  • Neighbor-Vote: 通过邻近距离投票提高单目 3D 物体检测

    本文介绍了一种新的邻居投票方法，以改进单目图像的伪激光雷达点云中的目标检测，特别是针对前景 ROI 伪激光雷达点的预测。我们还将实验结果与 KITTI 基准进行了比较，发现我们的方法优于现有的最佳方法。

    Jul, 2021

  • 通过极值点和中心点分组进行自底向上的目标检测

    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

  • 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