CVPRDec, 2021

置信度传播聚类：释放目标检测器的全部潜力

PDF
TL;DR本文提出了一种基于置信传播聚类（CP-Cluster）的物体检测方法，它采用了置信度信息的信息传递机制，能够同时去除冗余的检测框并增强真正的正类检测框。与传统的基于 NMS 的方法相比，在不重新训练检测器的情况下，我们的方法能够显著提高各种主流检测器的平均精度。
object detectionnon-maximum suppressionconfidence propagationbelief propagationiterative
发现论文，激发创造
  • 学习非极大值抑制

    通过端到端学习范式，提出了一种利用端盒和分数执行非极大值抑制的新型网络架构，适用于个人检测和一般物体类别（基于 COCO 数据集），能够提供更好的定位和遮挡处理。

    May, 2017

  • Fuzzy-NMS：在 NMS 中使用模糊分类改善 3D 物体检测

    通过引入模糊学习到非极大值抑制（NMS）中，我们提出了一种新的广义 Fuzzy-NMS 模块，以实现对候选边界框的更细致过滤，通过模糊分类方法将体积和聚类密度相结合，优化适当的抑制阈值并减少 NMS 过程中的不确定性，通过对 KITTI 和 Waymo 等基准测试进行充分验证实验，结果表明所提出的 Fuzzy-NMS 模块能够显著提高许多基于 NMS 的检测器的准确性，尤其对于行人和自行车等小目标。作为即插即用模块，Fuzzy-NMS 无需重新训练并且不会显著增加推论时间。

    Oct, 2023

  • Soft-NMS -- 一行代码改善目标检测

    Soft-NMS 算法通过将检测框与最大得分检测框的重叠度作为连续函数的信号降低其得分以替代一般的 NMS 算法进行非极大值抑制，从而提高了目标检测的效果和精度，不需要额外训练，且与常规 NMS 算法的计算复杂度相同。

    Apr, 2017

  • 用卷积神经网络进行非最大值抑制

    本研究旨在系统地解决非极大值抑制（NMS）的问题，提出了利用卷积神经网络执行给定众多检测结果的 NMS 方法，摆脱贪心 NMS 的固有限制并获得更好的检出率和精度。

    Nov, 2015

  • 获取定位置信度以实现准确目标检测

    本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

    Jul, 2018

  • 拥挤场景中的检测：一种提议，多种预测

    提出了一种基于 proposal 的物体检测器，通过使用相关实例集而不是单个实例来预测每个 proposal，引入 EMD Loss 和 Set NMS 等新技术，能够有效处理高度重叠物体的检测难度，在 CrowdHuman 数据集上获得 4.9% 的 AP 收益，在 CityPersons 数据集上获得 1.0% 的 MR^-2 收益，在 COCO 等数据集上也能够取得适度的改进效果。

    Mar, 2020

  • 通过消除启发式 NMS 简化的物体检测

    本文介绍了一种基于 FCOS 检测模型的 NMS-free 端到端的目标检测框架，使用紧凑的 PSS head 实现单个目标实例的自动选择并消除后处理的 NMS，通过停梯度操作成功解决了一对多和一对一标签分配之间的冲突问题，实现了对 COCO 数据集的优越性能。

    Jan, 2021

  • 是否还需要非极大值抑制？基于 IoU 感知校准的准确置信度估计和隐式重复建模

    利用 IoU-aware 校准方法替代经典的非最大值抑制算法，可以提供更可靠的预测和更准确的置信度评估，从而在目标检测中带来性能提升。

    Sep, 2023

  • 使用多样化建议来学习检测

    本文介绍一种可微分的确定性点过程 (DPP) 层，能够优化目标检测体系结构以生成多样化且丰富的提案，同时考虑提案之间的空间布局关系和标签级别的语义关系，从而在不增加网络参数数量的情况下，显著改善对象检测的位置和类别检测的性能，比 Faster R-CNN 更加优越。

    Apr, 2017

  • IterDet：拥挤环境中目标检测的迭代方案

    本文提出一种基于迭代方案的物体检测算法，通过在每次迭代中检测新的子集，然后将之前的检测结果传递到后续迭代以确保不会检测到同一对象，改进了现有的基于深度学习的物体检测算法，并在 CrowdHuman 和 WiderPerson 数据集上实现了最先进的性能。

    May, 2020