Mar, 2022

黑匣子里有什么？目标检测器内部的假阴性机制

PDF
TL;DR该研究通过对两种物体检测器的结构和数据集的分析，提出了 “五种假负面机制”，并探究了 Faster R-CNN 和 RetinaNet 在计算机视觉基准数据集和机器人应用中的 “假负面机制” 显著不同的原因。
object detectionfalse negativesdetector architecturefaster r-cnnretinanet
发现论文，激发创造
  • 交通标志检测的误报系统：你错过了标志吗？

    本文提出了一种识别未被物体探测器检测到的交通标志的方法，使用单镜头多盒物体探测器训练了一个分离的假阴性检测器，并使用精度和召回率在比利时和德国交通标志数据集中分别实现了 89.9% 和 90.8% 的精度，这是首个解决机器视觉中假阴性探测的关键问题的方法，可以提高机器人视觉系统在我们日常生活中的应用。

    Mar, 2019

  • 无法学习：为自动驾驶汽车自主识别感知故障

    本文讨论使用深度学习的物体检测方法在自动驾驶汽车中出现的错误，提出了一种自动化方法来识别没有基准标签的物体检测器的错误，重点研究了时间和立体不一致性这两个方面的错检，并展示了数据集和代码供进一步研究。

    Jun, 2017

  • 解耦分类细化：对目标检测中的 硬错误警报的抑制

    分析目标检测器的失败情况，探讨由分类而非定位引起的错误强阳性，提出 Decoupled Classification Refinement（DCR）网络来消除这些错误，将实验结果与 PASCAL VOC 和 COCO 数据集进行比较。

    Oct, 2018

  • 重新审视 RCNN：唤醒 Faster RCNN 的分类能力

    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

  • 物理世界中基于自然触发器的物体检测器后门攻击

    本文第一次证明了现有的目标检测器在数字触发器和实际场景中普遍存在的后门漏洞问题，提出了真实世界物理攻击场景下的攻击方法，并具体研究了三种流行的目标检测算法的鲁棒性与可行性。

    Jan, 2022

  • 对抗检测：实时攻击目标检测

    本研究提出了第一种实时在线攻击物体检测模型的方法，通过构造虚假物品边界框等三种攻击方式对物体检测模型进行攻击，成功率高达 90％，适用于动态环境中，并提供了演示视频。

    Sep, 2022

  • 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

  • 深度场景卷积神经网络中浮现的目标检测器

    本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。

    Dec, 2014

  • 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

  • 从共同出现的物体类别的角度分析物体检测器

    本研究基于特殊遮盖的 MS COCO 数据集，对目前最先进的 Faster R-CNN 和 YOLO 目标检测器的准确性进行评估和比较，以衡量它们的预测有多少依赖于编码在对象类别级别上的上下文信息。研究结果表明，当前检测器通常不会在类别级别上建立强的依赖关系，但是当它们这样做时，它们的方式往往相似，表明对象类别的上下文依赖性是一个独立的属性，这具有传递知识的相关性。

    Sep, 2018