Aug, 2020

TIDE：一款用于对象检测错误识别的通用工具箱

PDF
TL;DRTIDE 框架和相关工具箱可以分析物体检测和实例分割算法的误差源。该框架可适用于各种数据集，并可直接应用于输出预测文件，无需了解底层预测系统，可用作标准 mAP 计算的替代品，同时提供每个模型的优缺点的综合分析。我们将误差分为六种类型，并首次引入测量每种误差贡献的技术，以分离其对整体性能的影响，证明这种表示对于通过对四个数据集和七个识别模型的深入分析得出精确、全面的结论是至关重要的。
object detectioninstance segmentationerror analysismodel evaluationperformance measurement
发现论文，激发创造
  • TIDE: 测试时间的少样本物体检测

    通过引入非对称架构来学习一个支持实例引导的动态类别分类器，进一步提供交叉注意力模块和多尺度调整器以增强模型性能，从而显著优于现有的多个少样本目标检测方法。

    Nov, 2023

  • 面向任务的一致性对齐：领域自适应目标检测

    本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。

    Mar, 2022

  • 第一届微小物体检测挑战赛：方法与结果

    本研究总结了第一届微小目标检测挑战赛，聚焦于微小人物检测，介绍了前三种方法，并重新开放了提交排行榜，提供了 TinyPerson 数据集及其 72651 个目标注释。

    Sep, 2020

  • 量化文本到图像生成模型中的偏差

    对比四种最新的文本到图像生成模型的基准偏差特征与各自变体，在社会偏见和一般偏见方面提出了三种评估方法，并将该方法应用于字幕图像数据集以衡量其偏见。

    Dec, 2023

  • TOOD：任务对齐的一阶段目标检测

    本文提出一种 Task-aligned One-stage Object Detection（TOOD）方法，通过设计一种 Task-aligned Head（T-Head）和 Task Alignment Learning（TAL），在学习过程中显示地对齐对象分类和定位这两个任务，实验结果表明，TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。

    Aug, 2021

  • SortedAP: 重新思考实例分割的评估指标

    设计用于评估实例分割的度量标准围绕着全面考虑目标检测和分割准确性展开，然而，当前研究忽视了其他重要特性，如敏感性、连续性和一致性。本文揭示了大多数现有度量标准在测量分割质量方面具有有限的分辨率，它们只在掩模或错误预测的变化情况下有条件地敏感。对于某些度量标准来说，在一个狭窄的范围内，得分可能会急剧变化，这可能会误导结果质量差距的指示。因此，我们提出了一种名为 sortedAP 的新度量标准，它严格降低了目标和像素级别的缺陷，并且在整个域上具有连续的惩罚刻度。我们在此 https 的 URL 上提供了评估工具包和实验代码。

    Sep, 2023

  • 目标驱动实例检测

    针对实例检测问题，介绍了一种基于目标驱动 TDID 技术的检测器。该检测器基于现有的通用目标检测器进行改进，在训练期间不仅能提高实例识别性能，而且能够快速运行，并能够推广到检测新的实例。

    Mar, 2018

  • 多实例姿态估计中的基准测试与误差诊断

    本文提出了一种新的方法来分析多实例姿态估计算法中的错误影响，并提出了可用于比较它们的原则性基准。通过定义和表征三类错误 - 定位、评分和背景，研究它们如何受到实例属性的影响及其对算法性能的影响。本文分析了两种具有代表性的人体姿态估计方法在 COCO 数据集上的性能，发现算法的性能和错误类型高度依赖于许多变量，但主要取决于关键点数量和杂波。本文提出的分析和软件工具为了解姿态估计算法的行为方式提供了一种新颖而深刻的方法，同时也提供了一种有效的评估姿态估计算法优缺点的方法。

    Jul, 2017

  • 文本到图像生成对齐度评估度量 TIAM

    通过针对 prompt 模板的新度量方法，本文对多种 Text-to-Image（T2I）模型的对齐性进行了研究，并发现潜在噪声和提示概念数量、顺序和属性等因素对图像生成的影响。

    Jul, 2023

  • 消除文本到图像扩散模型的偏见

    目前的学习型文本到图像模型存在社会偏见问题，本研究提出了一种基于迭代分布对齐的方法，通过权重优化来解决社会偏见问题。

    Feb, 2024