概率两阶段检测
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
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
本文介绍了一种高效的、有效的、面向对象的检测框架 ——Oriented R-CNN,其中包括一种面向区域提议网络(oriented RPN),可以直接生成高质量的面向提议,并具有最先进的检测精度。
Aug, 2021
本文提出了 MimicDet 方法,通过直接模仿两阶段特征来训练一个单阶段检测器,以缩小单阶段和双阶段检测器之间的准确性差距。实验证明,该方法在 COCO 检测基准测试中的效果优于当前最先进的方法。
Sep, 2020
本文提出一种新的单级端到端可训练目标检测网络,采用循环滚动卷积 (RRC) 架构在多尺度特征图上构建物体分类器和边界框回归器来克服单级检测方法的限制。在挑战性的 KITTI 数据集上评估了我们的方法,证明 RRC 已经在 KITTI 车辆检测 (困难级别) 中超越了之前所有已发布的结果。
Apr, 2017
本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题,调查了两阶段检测器在实时检测方面的有效性,并提出了一个名为 ThunderNet 的轻量级两阶段检测器,相对于单阶段检测器,仅使用了 40%的计算且取得了优越的性能,在 ARM 平台上实现了 24.1fps 的实时检测。
Mar, 2019
本文研究在目标检测中如何应对训练集中未出现的物体,提出了一种称为 Open World Detection (OWD) 的解决方案,并探究了将 Open-World Proposals (OWP) 应用于全卷积单阶段检测网络的可能性和优化方式,实验结果表明该方法在处理未知类别时召回率可提高 6%,且相对于双阶段检测网络,该方法可更好地保持分类性能。
Jan, 2022
本文详细介绍了如何通过改进区域提议和深度对象识别两个步骤来提高 Faster R-CNN 的效果。我们提出了一种新的轻量级级联结构,可以有效地提高区域提议质量,重新实现了全局上下文建模,同时广泛应用预训练思想,最终在几个测试数据集上均获得了优异的结果。
Oct, 2017
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