CVPRApr, 2021

IQDet: 基于实例品质分布采样的目标检测方法

PDF
TL;DR提出了一种密集物体检测器 IQDet，它使用实例级采样策略来自动选择质量高的样本，并在 MS COCO 数据集上实现了超越现有最先进的单级检测器的结果。
dense object detectorinstance-wise sampling strategyquality sampling strategyms cocostate-of-the-art one-stage detectors
发现论文，激发创造
  • BiDet：一种高效的二值化物体检测器

    本研究提出了一种名为 BiDet 的二值化神经网络学习方法，通过信息瓶颈原理的泛化，学习稀疏的物体先验，以消除信息冗余并改善误检测，从而实现高精度的物体检测。

    Mar, 2020

  • QueryDet：级联稀疏查询加速高分辨率小目标检测

    在对象检测领域，提出了 QueryDet 算法，使用了新颖的查询机制来加速基于特征金字塔的对象检测器的推理速度，既可以收获高分辨率特征图的好处，又可以避免背景区域的无用计算，从而在保证精度的前提下提高了推理速度。

    Mar, 2021

  • 多视角实例捕捉的高分辨率数据集

    实例检测是机器人学和计算机视觉中的一个长期存在的问题，本文介绍了一个新的实例检测数据集和协议，并比较了各种基线方法的性能。

    Oct, 2023

  • 野外多模态查询对象检测

    MQ-Det 是一种多模态查询目标检测方法，结合了文本和图像作为类别查询，该方法通过在现有的只有文本的检测器中插入可扩展的感知模块，将类别文本与类别视觉信息相结合，并提出了一种视觉条件掩码语言预测策略，可以显著提高开放式检测的性能。

    May, 2023

  • DeNet：利用指向性稀疏采样实现可扩展实时物体检测

    该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

    Mar, 2017

  • AQD: 实现精确量化目标检测

    本文提出了一种名为 AQD 的准确量化目标检测解决方案，采用包括卷积层、归一化层和跳跃连接在内的所有层的定点运算，在极低位方案下实现与全精度方案相媲美甚至更好的性能表现。

    Jul, 2020

  • 目标检测的通用实例蒸馏

    利用 discriminative instances，我们提出了一个叫做 general instance distillation（GID）的检测任务中的知识蒸馏方法，其学生模型在不同的检测框架中都实现了显著的 AP 改进，甚至在 COCO 数据集上超过了教师模型。

    Mar, 2021

  • 大规模稀疏标注对象检测的采样技术

    本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

    Nov, 2018

  • 概率目标检测：定义与评估

    介绍一种新的概率目标检测方法，可提供准确的空间和语义不确定性，与现有方法进行对比，证明传统目标检测方法在空间上犯有严重错误，并鼓励开发新的对象检测方法以在实际场景中实现机器人和具体化的人工智能系统。

    Nov, 2018

  • CIA-SSD: 自信 IoU 感知的基于点云的单阶段目标检测器

    本文介绍了一种名为 CIA-SSD 的新型单级检测器，它通过自适应融合高级抽象语义特征和低级空间特征进行准确的边界框和分类置信度预测，并在此基础上设计了 IoU-aware 置信度矫正模块和 Distance-variant IoU-weighted NMS 模块来改善定位准确度与分类置信度一致性，并在 KITTI 测试集中进行了 3D 汽车检测实验，性能优于所有先前的单级检测器，公开了代码。

    Dec, 2020