简易多数据集检测
本文提出了一种框架,通过融合多个数据集的标签空间进行单一目标检测,解决了不同注释数据集之间的矛盾问题,采用伪标签方法处理局部而正确的注释,提出了损失函数将伪标签与噪声控制在一个相对稳定的范围内,并通过实验表明了方法的有效性。
Aug, 2020
本研究提出一种新的设计(称为 Detection Hub),它是数据集感知并具有类别对齐功能,通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核,从而既减轻了对目标检测的数据集不一致性,又提供了一致的指导,以便检测器跨多个数据集学习。实验表明,检测中心进一步在各种数据集的 UODB 基准测试中实现了 SoTA 性能。
Jun, 2022
本文提出了一种预训练 DETR 检测器的强大框架,命名为 METR,通过引入预训练语言模型将经典的目标检测器多分类转化为二分类,从而在不需要手动标注标签空间的情况下利用多个数据集联合预训练模型,并通过组合二分匹配策略实现预测。在大量实验中表明 METR 具有出色的性能表现,并可高度灵活地传递到各种 DETR-like 检测器上。
Apr, 2023
通过使用多个标注源数据集,并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法,提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。
Aug, 2023
本研究提出了一个名为多数据集预训练的统一框架,利用来自不同数据集的注释,通过像素级原型对比损失和跨数据集混合来扩展像素级嵌入,进而显式建模关于像素类的相似度,在多个基准测试上实现了卓越的性能。
Jun, 2021
本文研究了多任务数据和部分标注的情况下,联合学习物体检测和语义分割这两个最流行的视觉问题,通过知识蒸馏实现多任务优化,并通过实验结果表明了多任务学习和知识蒸馏在性能上相对于单任务学习和完全监督场景的优势。
Nov, 2023
本文提出了一种可扩展的多数据集检测器 (ScaleDet),使用语义标签相似性通过视觉 - 文字对齐训练来学习标签分配,从而在多个数据集上实现了强大的模型性能,超越了相同骨干网络的最新检测器。
Jun, 2023
该论文研究了如何训练一个来自多个数据集的统一 3D 检测器,提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异,证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。
Mar, 2023
本文提出了一种新的端到端无监督深度领域适应模型,利用多标签对象识别作为双重辅助任务实现自适应对象检测,使用多标签预测揭示每个图像中的对象类别信息,然后使用预测结果执行条件对抗全局特征对齐,从而可以处理图像特征的多模态结构以在全局特征级别上连接域分歧,同时保留特征的可辨析性。此外,还引入了一种预测一致性正则化机制来辅助目标检测,该机制使用多标签预测结果作为辅助正则化信息,以确保对象识别任务和对象检测任务之间一致的对象类别发现。在几个基准数据集上进行实验,结果表明,该模型优于现有方法。
Mar, 2020