端到端目标检测的重要因素是什么?
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
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。
Dec, 2020
本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法,该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法,实验结果表明该方法能够达到最佳的性能表现。
Nov, 2019
本文提出一种基于迭代方案的物体检测算法,通过在每次迭代中检测新的子集,然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象,改进了现有的基于深度学习的物体检测算法,并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。
May, 2020
本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题,丰富目标检测类别,并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究,旨在最终消除对支持图像的微调需要,结果在多个数据集上始终超过同类现有技术,进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。
May, 2020
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
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
本文介绍了一种名为 “Dense Distinct Queries” 的新型对象检测查询方法,该方法将传统检测器的密集查询和最新端到端检测器的独特查询相结合,极大地提高了在各种检测器中的性能。DDQ-DETR 在 MS-COCO 数据集上取得了 52.1 AP 的成绩,在拥挤场景中也获得了 93.8 的 AP,显示了 DDQ 的优点和可行性,可望启发研究人员考虑传统方法和端到端检测器之间的互补性。
Mar, 2023