NOH-NMS: 通过附近物体幻象改善行人检测
本文提出一种使用新型非极大值抑制(NMS)算法解决人群中的行人检测问题,使用自适应 NMS 和学习密度得分的子网络,可以有效改善边界框的精确度,并在 CityPersons 和 CrowdHuman 基准测试中取得了最先进的结果。
Apr, 2019
本研究旨在系统地解决非极大值抑制(NMS)的问题,提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法,摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。
Nov, 2015
本文提出了一种新的代表区域 NMS 方法,利用较少被遮挡的可见部分,有效地去除冗余框而不带来太多的误报,同时还提出了一种新颖的配对框模型,以同时预测行人的全身和可见框,并在充满挑战的 CrowdHuman 和 CityPersons 基准测试上表明了所提出的方法在人群密集情况下的行人检测是有效的。
Mar, 2020
本文提出一种名为 SG-Det 的模型,使用一种新颖的嵌入机制来联合利用检测框的语义和几何特征,从而在面对类内遮挡较多的场景时显著提高了检测召回率,特别适用于城市场景的汽车和行人检测,在 KITTI 和 CityPersons 数据集上展示了 SG-Det 模型的最优性能。
Dec, 2019
通过引入模糊学习到非极大值抑制(NMS)中,我们提出了一种新的广义 Fuzzy-NMS 模块,以实现对候选边界框的更细致过滤,通过模糊分类方法将体积和聚类密度相结合,优化适当的抑制阈值并减少 NMS 过程中的不确定性,通过对 KITTI 和 Waymo 等基准测试进行充分验证实验,结果表明所提出的 Fuzzy-NMS 模块能够显著提高许多基于 NMS 的检测器的准确性,尤其对于行人和自行车等小目标。作为即插即用模块,Fuzzy-NMS 无需重新训练并且不会显著增加推论时间。
Oct, 2023
本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架,使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS,通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题,实现了对 COCO 数据集的优越性能。
Jan, 2021
提出了一种基于 proposal 的物体检测器,通过使用相关实例集而不是单个实例来预测每个 proposal,引入 EMD Loss 和 Set NMS 等新技术,能够有效处理高度重叠物体的检测难度,在 CrowdHuman 数据集上获得 4.9% 的 AP 收益,在 CityPersons 数据集上获得 1.0% 的 MR^-2 收益,在 COCO 等数据集上也能够取得适度的改进效果。
Mar, 2020
本文提出一种基于迭代方案的物体检测算法,通过在每次迭代中检测新的子集,然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象,改进了现有的基于深度学习的物体检测算法,并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。
May, 2020
本文提出了基于量子计算优势的 Quantum-soft QUBO Suppression (QSQS) 算法,应用于物体检测中的冗余检测。 实验证明,相比于传统的 NMS 和 soft-NMS 算法,该算法将 PASCAL VOC 2007 数据集的平均精度从 74.20%提高到 75.11%,在基准行人检测任务中的表现也更好。
Jul, 2020