ICCVAug, 2021

TOOD：任务对齐的一阶段目标检测

PDF
TL;DR本文提出一种 Task-aligned One-stage Object Detection（TOOD）方法，通过设计一种 Task-aligned Head（T-Head）和 Task Alignment Learning（TAL），在学习过程中显示地对齐对象分类和定位这两个任务，实验结果表明，TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。
object detectiontask-alignedone-staget-headtask alignment learning
发现论文，激发创造
  • 基于锚点特征匹配的单阶段单次检测目标识别

    本文研究一次性目标检测的任务，构建了一种同时完成定位和识别的一阶段系统，使用了学到的本地特征的密集相关匹配，前馈几何变换模型来对齐特征，并使用双线性重采样来计算检测分数，在若干挑战性领域的实验评估中，展示了我们的方法可以探测到看不见的类别，并且大幅度地优于其他基线模型。

    Mar, 2020

  • 重新审视物体检测器中的 Sibling Head

    本文介绍了一种名为 TSD 的方法，通过生成两个解耦的提议来解决 Fast RCNN 的 shared head 在分类和定位中的空间错位问题，该方法可以使得单模型检测器性能提高到 mAP 49.4 甚至更高，是 Google OpenImage Challenge 2019 的一等奖模型核心。

    Mar, 2020

  • TSAA: 一种针对拥挤目标检测锚点漂移的两阶段锚点分配方法

    该研究提出了一种名为 TSAA 的自适应两阶段锚点分配方法，能有效解决目标密集场景中锚点漂移问题，并实现对象回归。在 CrowdHuman 和 COCO 数据集上进行的实验结果表明，此方法能显著提高检测器的性能。

    Nov, 2022

  • S4OD: 单阶段目标检测的半监督学习

    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

  • 面向任务的一致性对齐：领域自适应目标检测

    本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。

    Mar, 2022

  • 重新审视一阶段目标检测中的特征对齐

    提出了一种 RoIConv 算子和 AlignDet 架构，用于解决单阶段目标检测中 anchor boxes 和卷积特征之间的错位问题，取得了 44.1 的最佳平均精确度。

    Aug, 2019

  • 高噪声环境下航空图像中的稳健微小目标检测

    远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

    Jan, 2024

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为 1 的单独目标检测问题，丰富目标检测类别，并引入了匹配 - FCOS 网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • DOAD: 去耦合单阶段行为检测网络

    本文提出一种解耦网络（DOAD）和基于变换器的模块（TransPC），用于提高视频理解的效率和行为检测的准确性。

    Apr, 2023

  • SOOD：半监督定向物体检测

    本文提出了一种新型的半监督定向目标检测模型，通过两种损失函数来提供更好的监督，实现对航空场景中定向目标检测的有效探索，超越了现有的半监督目标检测方法，并在 DOTA-v1.5 基准测试中达到了更好的效果。

    Apr, 2023