CVPRJun, 2021

Dynamic Head: 统一物体检测注意力头

PDF
TL;DR本文提出了一种新型的动态头框架，通过将特征级别之间的多个自注意力机制、空间位置之间的多个自注意力机制以及任务感知中的输出信道之间的多个自注意力机制相互结合，实现了在物体检测中头部统一化的目标，大幅改善了物体检测头部的表示能力，并且在 COCO 基准测试中取得了新的最优性能。
object detectiondynamic head frameworkself-attention mechanismsscale-awarenessspatial-awareness
发现论文，激发创造
  • UniHead：统一多感知检测算法

    我们提出了一种名为 UniHead 的创新检测头，同时统一了三种感知能力：变形感知、全局感知和跨任务交互，使得我们的方法在 COCO 数据集上显著改进了多个检测器的性能。

    Sep, 2023

  • 基于域注意力的通用物体检测

    本研究提出了一种基于通用表示法的物体检测系统，通过引入适应层和域注意力机制，实现了跨域检测，且在 11 个数据集上表现优于其他检测器。

    Apr, 2019

  • AttentionNet: 弱方向聚合准确物体检测

    本文提出了一种名为 AttentionNet 的基于深度卷积神经网络的新型检测方法，将目标检测问题视为迭代分类问题，通过提供定量化的目标物体弱方向并融合来自 AttentionNet 的迭代预测结果，从而实现更精确的物体边界检测。AttentionNet 是一种统一的目标检测网络，从物体提议到后续的 bounding-box 回归均可进行检测，并在人类检测任务中取得了 65%（AP）的最先进效果，仅采用 8 层结构。

    Jun, 2015

  • 重新思考物体检测的分类和定位

    通过全面分析，我们发现全连接头和卷积头对于分类和定位任务具有相反的偏好，因此我们提出了一种 Double-Head 方法，其中全连接头专注于分类，卷积头用于边界框回归，该方法在 MS COCO 数据集上得到了优异的表现。

    Apr, 2019

  • 解耦稠密物体检测器

    研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

    Jul, 2021

  • 开放词汇物体检测的学习与分割

    本文提出 CondHead 作为一种动态网络设计，通过对语义嵌入条件参数化来指导模型根据类特定知识更好地检测新类别，从而使检测模型通过语义嵌入提供强大的可推广类别框和掩膜预测，并在非常小的开销下显著改善了开放词汇的目标检测方法。

    Dec, 2022

  • DCNN: 双交流深度神经网络的实现与微观对象识别的交互式深度学习判别器

    通过结合卷积操作和自注意机制的优势构建了新型双通道神经网络模型（DCNN），用于改进细粒度图像分类的准确性。实验证明，将 DCNN 作为骨干网络用于分类特定的细粒度基准数据集，在性能上相较于其他先进的卷积或注意力细粒度骨干网络，分别获得了 13.5％-19.5％和 2.2％-12.9％的性能优势改进。

    May, 2024

  • YOLOSA 基于 2D 局部特征叠加自注意力的物体检测

    通过使用新颖的自注意力模块，将全局特征反映到局部特征和局部接受域，以及优化解耦头和 AB-OTA，我们提出的模型在大中小型模型上能够实现 49.0%（71FPS，14ms），46.1%（85FPS，11.7ms）和 39.1%（107FPS，9.3ms）的平均精度，超过了 YOLOv5 0.8%-3.1% 的平均精度。

    Jun, 2022

  • 物体检测的精细动态头

    本研究提出一种 fine-grained dynamic head 方法，结合 Feature Pyramid Network（FPN）和 spatial gate 的机制实现多尺度特征的表示，进一步提高了物体检测的效率和精确度。

    Dec, 2020

  • 关注头部位置的人群计数

    本文提出了一种新颖的使用注意力模型的方法，通过利用头部位置作为人群计数的最重要线索，结合多尺度特征提取和相对偏差损失函数来实现复杂背景、尺度变化和非均匀分布等实际应用中的挑战，提高了稀疏人群密度估计的准确性。在 Shanghai-Tech、UCF_CC_50 和 World-Expo＇10 数据集上的实验表明了该方法的有效性。

    Jun, 2018