带修正IoU损失的单阶段双叉探测器
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
本文提出了一种称为多级特征金字塔网络(MLFPN)的方法,通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象,并且将MLFPN集成到SSD中构建了名为M2Det的一阶段强大的端到端对象检测器,在MS-COCO基准测试中以单尺度推理策略实现了AP 41.0,以多尺度推理策略实现了AP 44.2,这是一阶段检测器中的新的最佳结果。
Nov, 2018
本文提出了一种基于排序任务和平均准确率损失(AP-loss)的新框架和一种新的优化算法,以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。
Apr, 2019
研究单阶段物体检测器的损失函数对定位准确性的影响,并提出有关IoU平衡的损失函数以解决该问题,在COCO、VOC和Cityscapes等公共数据集上进行了广泛实验,证明了IoU平衡损失可以显著提高单阶段检测器的检测准确性。
Aug, 2019
本论文提出了一种名为 IoU-Uniform R-CNN 的简单而有效的方法,该方法直接生成具有均匀 IoU 分布的训练样本,为回归分支和 IoU 预测分支提供支持,并通过消除推断时 RoIs 的特征偏移来改善 IoU 预测分支的性能。大量实验表明,该方法对许多物体检测架构具有兼容性和适应性。
Dec, 2019
本文提出了一种有效的方法,将一阶段目标检测器的分类任务替换为排名任务,并采用平均准确率(Average-Precision)损失函数,通过优化算法,处理了训练中的极端正负样本不平衡问题,获得了比现有AP-based优化算法更出色的实验结果。
Aug, 2020
LSNet是一个深度神经网络,能够根据感兴趣目标的锚点和标志点确定目标的形状,其采用新型的损失函数进行优化,可在提高准确率的同时具有更好的融合信息的性能。实验证明,LSNet能够在定位敏感型的视觉识别任务中创造最新的准确率记录,成为新一代无锚点目标检测和实例分割的领跑者,并能够有效检测多尺度的人体姿态。
Apr, 2021
提出一种基于extended IoU并采用convexification和steady optimization技术的新型损失函数方法,用于提高物体检测中的定位精度,并在Faster R-CNN with ResNet50+FPN中实现了显著的mAP提高,同时计算和推断的成本几乎没有增加。
Dec, 2021
通过分析对象探测器分类和定位任务的相关性,提出了一种新的相关性损失函数(Correlation Loss),该函数通过优化相关系数来优化目标检测器的性能,特别是对于无NMS检测器,可提供更好的性能。
Jan, 2023