DeFRCN:用于少样本物体检测的解耦快速 R-CNN
本文提出了一种针对现有目标检测器分类失败问题设计的基于多任务学习的解决方案,其中使用一种 Decoupled Classification Refinement(DCR)网络对分类错误进行有效的样本采样和重新分类。
Mar, 2018
本文提出 Retentive R-CNN 模型,通过应用传输学习的一些被忽略的优良属性,使用 Bias-Balanced RPN 去除预训练误差和 Re-detector 找出 few-shot 类物体并避免遗忘前面的知识,来实现 few-shot 目标检测任务中的长期记忆。实验表明,Retentive R-CNN 在各种设置下均可实现对 few-shot 类别的有竞争力的结果,而且不会降低基类的性能。
May, 2021
介绍了一种大规模实时物体检测器 R-FCN-3000,其中物体探测和分类被解耦。通过将物体探测得分和细粒度分类得分相乘来获得 RoI 的检测得分。R-FCN-3000 在 ImageNet 检测数据集上获得 34.9% 的 mAP,并在每秒处理 30 张图像的情况下胜过 YOLO-9000 18%。我们还展示了 R-FCN-3000 学习到的 objectness 可以推广到新的类别,并且随着训练对象类别的数量增加而提高性能,支持学习通用对象探测器的假设。
Dec, 2017
本论文涉及基于区域的检测器,使用卷积网络实现高效的物体检测,使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题,可自然地采用全卷积图像分类器骨干网进行物体检测,以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果,测试时间为每张图像 170ms,比 Faster R-CNN 快 2.5-20 倍。
May, 2016
提出了一种基于 Faster R-CNN 的深度人脸检测方法,通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段,名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。
Jun, 2017
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
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
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
本文提出了一种用于物体检测的快速区域卷积网络方法(Fast R-CNN),该方法采用了深度卷积神经网络对目标建议进行高效分类,相较于之前的方法,在提高检测精度的同时,大幅提高了训练和测试的速度。
Apr, 2015
本文提出了一种高效的端到端的渐进式目标检测器,利用知识蒸馏技术,在新任务微调模型时适当保留旧类别的知识,相较于传统 Faster RCNN 基线检测器更快 13 倍,且更准确。
Mar, 2020