CVPRDec, 2020

全卷积网络实现端到端目标检测

PDF
TL;DR本文针对基于全卷积网络的主流目标检测器在进行完全端到端训练时需要手动设计的非极大值抑制（NMS）后处理方法进行分析，发现正确的标签赋值在其中起着至关重要的作用。本文提出了一种名为预测感知一对一（POTO）的分类标签赋值方法，使得在完全卷积检测器中使用该方法实现了端到端检测，并且与使用 NMS 方法相比具有可比性能。此外，本文还提出了一个简单的三维最大过滤（3DMF）来利用多尺度特征，并提高局部区域内卷积的可区分度。借助这些技术，本文的端到端框架在 COCO 和 CrowdHuman 数据集上取得了与许多最先进的具有 NMS 的检测器相当的性能。
发现论文，激发创造
  • 通过消除启发式 NMS 简化的物体检测

    本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架，使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对 COCO 数据集的优越性能。

    Jan, 2021

  • 卷积网络、可变形配件模型和非极大值抑制的端到端集成

    本文提出了一种将 Deformable Parts Models 和 Convolutional Networks 相结合的新模型，并使用结构化损失函数进行训练，使得之前作为单独后处理步骤的 NMS 操作成为了模型的一部分，从而使得我们的系统在 PASCAL VOC 2007 和 2011 数据集上实现了竞争性的结果。

    Nov, 2014

  • 端到端目标检测的重要因素是什么？

    本篇论文提出了一个新的目标检测算法，通过引入新的匹配成本 - 分类成本，解决了之前检测器中的一对多问题，并引入了得分差来探讨匹配成本的影响，最终证明了端到端的目标检测在拥挤场景下的优势。

    Dec, 2020

  • 学习非极大值抑制

    通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

    May, 2017

  • FCOS：全卷积单阶段目标检测

    本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

    Apr, 2019

  • 物体检测和实例分割的分解学习

    本论文提出了一种新的端到端可训练深度神经网络结构，在不需要预处理或者后处理的情况下，仅仅依靠一个网络评估就可以生成正确数量的对象实例和其边界框，对多数字图像中数字的检测、分割和 KITTI 基准数据集中的车辆检测任务显示了优越的性能。

    Nov, 2015

  • 用于平均精度目标类别检测器的端到端训练

    该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。

    Jul, 2016

  • FCOS：一种简单而强大的无锚点目标检测器

    在计算机视觉中，我们提出了一种完全卷积的一阶段对象检测器（FCOS），以像语义分割等其他密集预测问题的方式解决像素级预测对象检测问题，该检测器不需要预定义的基础框，并且避免了与基础框计算相关的超参数，非常简单有效。

    Jun, 2020

  • 用卷积神经网络进行非最大值抑制

    本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。

    Nov, 2015

  • 基于完全卷积编码 - 解码网络的物体轮廓检测

    该论文基于深度学习的算法，使用全卷积编码器 - 解码器网络来检测对象轮廓并生成高质量分割对象建议，通过在 PASCAL VOC 和 MS COCO 上进行训练和测试，该算法在较少的候选数情况下相对于基准方法有更高的准确度。

    Mar, 2016