Jun, 2021

目标检测的简单训练策略和模型扩展

PDF
TL;DR本文研究物体检测系统的速度和准确率损失函数，并通过改进模型架构、训练技术等方法，将模型的准确率提升了 7.7％，速度提升了 30％。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡，产生了两个 Pareto 曲线。最后，作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。
object detectionmodel architecturetraining techniquesspeed-accuracy trade-offresnet architecture
发现论文，激发创造
  • 优化基于锚点的检测器用于自动驾驶场景

    研究了适用于自动驾驶场景的基于锚点的检测器的模型改进和推理时间优化，提出了模型缩放策略，以实现更好的速度 - 精度权衡曲线，并在 Waymo 开放数据集上获得了新的最新技术水平。

    Aug, 2022

  • 现代卷积物体检测器的速度 / 准确性权衡

    本文旨在探讨如何在现代卷积物体检测系统中为给定应用程序和平台选择实现正确的速度 / 内存 / 精确度平衡的检测架构，我们提出了 Faster R-CNN、R-FCN 和 SSD 三种 meta-architectures 的统一实现，并通过其中的替代特征提取器和变化的其他关键参数（如图像大小）来跟踪速度 / 精度平衡曲线，在一端，我们提出了一种检测器，它实现了实时速度，并可部署在移动设备上，在另一端，我们提出了一种检测器，它在 COCO 检测任务中实现了最先进的性能.

    Nov, 2016

  • 重新审视 ResNets：改进的训练和扩展策略

    本文重新研究了经典的 ResNet 模型，并重点讨论了模型架构、训练方法和扩展策略对模型性能的影响。作者发现，训练方法和扩展策略可能比模型架构的变化更重要，同时作者提出了两种新的扩展策略，并设计了一系列 ResNet 架构。实验结果表明，这些简单修改的 ResNet 模型比 EfficientNet 更快，且在 ImageNet 上达到了类似的准确性，同时在半监督学习和下游任务转移学习上也有显著提升。

    Mar, 2021

  • DetNet：一种用于物体检测的骨干网络

    本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

    Apr, 2018

  • NAS-FPN：学习可扩展的特征金字塔架构用于目标检测

    本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式，通过结合 RetinaNet 框架中的各种骨干模型，相比当前最先进的目标检测模型，在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值，并以更少的计算时间实现了 48.3 的检测精度，超过了 Mask R-CNN [10] 的检测精度。

    Apr, 2019

  • EfficientDet：可伸缩高效的目标检测

    本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

    Nov, 2019

  • RCNet: 反向特征金字塔和跨尺度移位网络用于目标检测

    本篇研究提出一种新型的 RCNet 架构，由 Reverse Feature Pyramid (RevFP) 和 Cross-scale Shift Network (CSN) 组成，用于多尺度特征融合，在 MS COCO 测试集中证明 RCNet 能够显著提高 RetinaNet 等检测器的精度

    Oct, 2021

  • Cascade RetinaNet: 单级目标检测的一致性维护

    本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet，在不采用其他技巧的情况下，将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。

    Jul, 2019

  • 重访 3D ResNets 用于视频识别

    通过 3D ResNets 的简单缩放策略和优化的训练策略，以及轻微的架构改变，提高了视觉识别模型的性能，得到了 81.0 和 83.8 的竞争性表现，无需预训练，并通过自监督学习进一步改进表现。

    Sep, 2021

  • 使用改进的 Faster RCNN 进行人脸检测

    本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法，通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法，实现了在 WIDER FACE 验证数据集（易于设置、中等设置、困难设置）三项任务中的两个第一名和一个第二名。

    Feb, 2018