本文提出一种基于干净度分数的目标检测方法,旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题,通过分类和回归分支,并利用干净度分数对样本进行重新加权,提高定位和分类的准确性,实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。
Dec, 2019
本研究提出了 Pseudo-Intersection-over-Union (Pseudo-IoU) 指标,通过将其融入端到端单级别无锚点物体检测框架,可以实现更加标准化和准确的规则分配,从而提高 PASCAL VOC 和 MSCOCO 等常规物体检测基准测试的性能。
Apr, 2021
提出了一种动态锚点学习方法(DAL),通过全新定义匹配度评估锚点的定位潜力,实现有效标签分配并动态选择高质量锚点以实现准确目标检测,结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。
Dec, 2020
本文提出了一种 CNN 方法,名为 IoU-Net,以预测物体检测边界框的 IoU 值,使得模型具有定位置信度,进而提高非极大值抑制算法(NMS)的精度,在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。
Jul, 2018
本文提出了一种名为 FreeAnchor 的学习对应方法来打破目标 - 锚点 IoU 的限制,更新手工制定的锚点分配为自由的锚点匹配,并通过最大似然估计(MLE)过程来实现检测器训练。该方法通过优化检测有效似然来实现,可以与基于 CNN 的检测器插入并组合使用,实验结果表明,FreeAnchor 在 COCO 数据集上表现优异。
Sep, 2019
使用基于单一物体跟踪和半监督学习的方法,对于 IoU 稀疏注释的目标检测,自动生成密集注释用于训练目标检测器,从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩(在不同测试集上)。
Jun, 2020
该研究提出了一种名为 TSAA 的自适应两阶段锚点分配方法,能有效解决目标密集场景中锚点漂移问题,并实现对象回归。在 CrowdHuman 和 COCO 数据集上进行的实验结果表明,此方法能显著提高检测器的性能。
Nov, 2022
提出一种基于锚点和权重机制的无锚点检测器 AutoAssign,通过中心加权和置信加权机制生成正负样本权重来适应数据的先验分布,适应目标不同的外观特征,在各项实验中都表现出优异的性能,特别是在 MS COCO 数据集上取得了 52.1% 的精度表现。
Jul, 2020
本文介绍了标定检测与自适应选择正负样本(ATSS)对目标检测表现的影响并提出通过 ATSS 自动选择正负样本以显著提高基于先验框和无先验框检测器的性能,并通过大量实验证明了该方法的有效性。
本文提出了一种优化锚盒形状以提高目标检测精度的方法,通过动态学习锚盒形状来适应数据分布和网络学习能力,该方法对训练成本几乎没有额外开销,且能够在多个基准数据集上实现显著的改进。
Dec, 2018