合作式 RPN 改进少样本物体检测
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
本文提出一种新的 few-shot 目标检测网络,使用少量注释的示例检测未见过的物体类别,并通过 Attention-RPN,Multi-Relation Detector 和 Contrastive Training 策略来抑制背景误检。作者还贡献了一个包含高品质注释的 1000 个物体类别的新数据集,是针对 few-shot 目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现,具有广泛的潜在应用。
Aug, 2019
本文提出一种完全卷积的区域提议网络(RPN),在同时预测目标边界和目标特征分数的同时,使用完全图像卷积特征共享检测网络的特征。
Jun, 2015
本文研究领域自适应目标检测中的区域建议网络 (RPN) 和分类器 (RPC),发现了二者在面对大型区域差异时的显著差异,通过最小最大优化及使用低置信度样本差异计算,提出了一种互相指导训练,并在多种场景下验证了其有效性的方法。
Sep, 2020
本文提出 Retentive R-CNN 模型,通过应用传输学习的一些被忽略的优良属性,使用 Bias-Balanced RPN 去除预训练误差和 Re-detector 找出 few-shot 类物体并避免遗忘前面的知识,来实现 few-shot 目标检测任务中的长期记忆。实验表明,Retentive R-CNN 在各种设置下均可实现对 few-shot 类别的有竞争力的结果,而且不会降低基类的性能。
May, 2021
本文介绍一种新的维度分解区域提议网络 (DeRPN),采用 anchor string 机制独立匹配物体的宽度和高度,适用于不同形状物体,针对不同比例物体的不平衡损失计算,设计了新颖的尺度敏感损失函数。在多个数据集测试中,DeRPN 相较传统 RPN 方法具有更好的性能和适应性,且不需要调整超参数或专门优化。
Nov, 2018
我们开发了一种半监督算法,通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象,并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明,我们的方法是有效的,并且优于现有的少样本目标检测方法。
Aug, 2023
本文提出一种多阶段目标检测架构,Cascade R-CNN,通过一系列的检测器训练,逐步提高在增加交并比(IoU)阈值下对近似假阳性的选择性,从而减少过拟合问题,并在推理时提供更接近每个阶段检测器质量的假设匹配,实现在 COCO 数据集上比所有单模型目标检测器表现更好。
Dec, 2017
本文提出了一种基于级联区域建议网络和 Siamese 跟踪的多级跟踪框架,其中每个区域建议网络利用前一阶段的区域建议网络的输出进行训练,采用多任务损失函数进行端到端的训练,并在多个数据集上实现了优异的跟踪效果。
Dec, 2018