Aug, 2020

面向方向物体检测的深度特征对齐

PDF
TL;DR本文提出了一种 Single-shot Alignment Network (S2A-Net) 来解决航拍图像目标检测中常见的分类得分与定位准确度不一致问题，该网络包括 Feature Alignment Module（FAM）和 Oriented Detection Module（ODM），能够自适应调整卷积特征和生成高质量的先验框，同时通过旋转滤波器编码方向信息来实现定位准确度与分类得分的一致性，并在大规模图像上取得了较高的速度和准确度。
aerial imagesobject detectionalignment networkclassification scorelocalization accuracy
发现论文，激发创造
  • 重新审视一阶段目标检测中的特征对齐

    提出了一种 RoIConv 算子和 AlignDet 架构，用于解决单阶段目标检测中 anchor boxes 和卷积特征之间的错位问题，取得了 44.1 的最佳平均精确度。

    Aug, 2019

  • 基于锚点特征匹配的单阶段单次检测目标识别

    本文研究一次性目标检测的任务，构建了一种同时完成定位和识别的一阶段系统，使用了学到的本地特征的密集相关匹配，前馈几何变换模型来对齐特征，并使用双线性重采样来计算检测分数，在若干挑战性领域的实验评估中，展示了我们的方法可以探测到看不见的类别，并且大幅度地优于其他基线模型。

    Mar, 2020

  • 以中线对的形式表现定向物体

    本文提出了一种名为 O^2-DNet 的新型模型，该模型可以通过预测每个目标内的一对中间直线来检测有方向的对象，并且它是一种一级、无锚点和无 NMS 的模型。

    Dec, 2019

  • SODAWideNet -- 不需 Imagenet 预训练的带注意力扩展的 Wide 编码解码网络中的显著目标检测

    提出了一个新的显著目标检测（SOD）模型 —SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

    Nov, 2023

  • 遥感图像中基于显著对比学习的少样本目标检测

    通过使用定向边界框而不是传统的水平边界框来学习更好的特征表示，针对远程感知图像，我们提出了一种新的用于远程感知图像的少样本定向目标检测方法，称为记忆对比学习的少样本定向目标检测（FOMC）。我们引入了一个带有动态更新存储器的监督对比学习模块，以应对对象误分类的具有挑战性的问题。该模块可以利用大批量的负样本，并增强模型学习未见类别的区分特征的能力。在 DOTA 和 HRSC2016 数据集上进行了全面实验，我们的模型在少样本定向目标检测任务上实现了最先进的性能。发布代码和预训练模型。

    Mar, 2024

  • 跨领域目标检测的二维特征对齐

    本文提出一种新颖的无监督跨领域检测模型，在源域中利用标注数据训练一个针对不同目标域的物体探测器，通过在两个维度上进行跨领域特征对齐，即深度和空间维度，来缓解物体检测中的跨领域表示差异。实验证明该模型胜过现有的比较方法。

    Nov, 2020

  • 任意方向目标检测的动态锚点学习

    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

  • 面向物体检测的无锚定位建议生成器

    本文提出了一种抛弃传统水平框架结构，利用 Coarse Location Module 生成初步的定位框，然后将其提炼为高质量的定向 proposals 的方法 ——Anchor-free Oriented Proposal Generator (AOPG)，并且在 DIOR_R, DOTA 和 HRSC2016 数据集上实现了 64.41%、75.24% 和 96.22% 的 mAP 准确率，这为解决遥感图像中的定向目标检测提供了一种新的方案。

    Oct, 2021

  • 通过 2D 检测引导的查询锚点增强 3D 物体检测

    提出一种名为 QAF2D 的新颖查询生成方法，通过从 2D 检测结果中推断 3D 查询锚点来改善基于查询的 3D 对象检测器的性能，并将其整合到三个流行的基于查询的 3D 对象检测器中，在 nuScenes 数据集上进行全面评估。

    Mar, 2024

  • M3DSSD：单目 3D 单阶段物体检测器

    本文提出了一个在特征对齐和非对称非局部注意力机制下的单目三维单级物体检测器 (M3DSSD)，借助两步特征对齐来解决现有锚点法单目三维目标检测方法在特征匹配方面的缺陷，并提出了一种新的非对称非局部注意力块，实现更好的物体深度预测效果，并在 KITTI 数据集上取得了显著的成果。

    Mar, 2021