MimicDet: 一阶段与二阶段物体检测方法之间的桥梁
该论文提出了一种用于两阶段目标检测器的模型简化方法,通过仅使用一个特征提取来减少计算成本,同时通过对 RPN 的得分图应用高通滤波器来弥补精度下降,实验结果显示,在 DOTAv1.5 数据集上我们的方法在计算成本上降低了 61.2%,精度损失不超过 2.1%。
Apr, 2024
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
本文介绍了一种名为 AFDetV2 的单级 anchor-free 网络方法在 3D 检测中的应用,并证明其在 Waymo 开放数据集及 nuScenes 数据集上的表现优于以往所有单级和双级 3D 检测方法。该方法在第一阶段中能够准确地回归确定物体位置,无需为此执行第二阶段的调整。
Dec, 2021
本文旨在探讨基于两阶段和单阶段方式的人 - 物交互检测方法各自的优点和缺点,并提出一种新的单阶段框架,该框架采用分离式的方法进行检测和分类,取得了明显的相对提升。
Aug, 2021
本文提出一种动态自适应阈值策略,同时考虑伪标签的质量和数量,并提出一种模块计算单级检测器的伪标签回归不确定性,仅使用来自 COCO 的 10%标记数据,我们的方法在基于锚点和无锚点的检测器(RetinaNet 和 FCOS)上实现了 35.0%AP 和 32.9%。
Apr, 2022
本文提出了一种新的 query-based 目标检测器 StageInteractor,具有跨阶段交互和标签分配策略,并改进了建模能力,并在 MS COCO 基准测试中取得了很好的表现。
Apr, 2023
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
本文提出多阶段变形卷积神经网络用于目标检测,使用新的变形约束池化层来建模对象部分的变形,并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型,在 ILSVRC 2014 中排名第二,显著提高了目标检测的平均精度。
Sep, 2014
提出了一种新的基于 ResNet-101 的双阶段目标检测器 Light-Head R-CNN,通过使用一个轻量级的特征图和一个便宜的 R-CNN 子网络来实现网络头部的最小化,而且在 COCO 上表现良好,在保持时间效率的同时也比单阶段的快速检测器像 YOLO 和 SSD 更准确。
Nov, 2017