CVPRJun, 2022

Detection Hub: 基于语言嵌入的查询适应统一物体检测数据集

PDF
TL;DR本研究提出一种新的设计（称为 Detection Hub），它是数据集感知并具有类别对齐功能，通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核，从而既减轻了对目标检测的数据集不一致性，又提供了一致的指导，以便检测器跨多个数据集学习。实验表明，检测中心进一步在各种数据集的 UODB 基准测试中实现了 SoTA 性能。
发现论文，激发创造
  • 简易多数据集检测

    本文提出一种简单的方法，使用所有数据集上的标签训练一个统一的多数据集物体检测器，它可以自动整合数据特定输出到一个通用的语义分类体系中，避免了手动分类调和的步骤，且实验表明，该流程可以推广到新的未见数据集，而无需再次针对它们进行微调。

    Feb, 2021

  • 使用统一标签空间从多个数据集中进行目标检测

    本文提出了一种框架，通过融合多个数据集的标签空间进行单一目标检测，解决了不同注释数据集之间的矛盾问题，采用伪标签方法处理局部而正确的注释，提出了损失函数将伪标签与噪声控制在一个相对稳定的范围内，并通过实验表明了方法的有效性。

    Aug, 2020

  • 针对 DETR 的语言感知多个数据集检测预训练

    本文提出了一种预训练 DETR 检测器的强大框架，命名为 METR，通过引入预训练语言模型将经典的目标检测器多分类转化为二分类，从而在不需要手动标注标签空间的情况下利用多个数据集联合预训练模型，并通过组合二分匹配策略实现预测。在大量实验中表明 METR 具有出色的性能表现，并可高度灵活地传递到各种 DETR-like 检测器上。

    Apr, 2023

  • Uni3D: 多数据集三维物体检测的统一基线

    该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

    Mar, 2023

  • OmDet: 大规模视觉语言多数据集预训练的语言感知目标检测

    本文提出一种基于多模态预训练的语言条件检测框架，能够通过自然语言作为知识表示从不同的数据集中积累 “视觉词汇”，解决多数据集训练中的技术难题，并成功应用于超过 35 个目标检测任务，取得最新成果。

    Sep, 2022

  • MDT3D: 多数据集训练用于 LiDAR 3D 物体检测泛化

    通过使用多个标注源数据集，并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法，提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。

    Aug, 2023

  • 利用数据集亲和性预测在目标检测中评估训练数据

    通过在标准目标检测流程中引入数据源预测模块，我们提出了一种方法来评估数据汇总的有效性，并展示了所谓的数据亲和性得分在从异构车辆数据集中自动选择样本时的好处。结果显示，即使在训练样本显著稀疏的情况下，目标检测器仍能保持检测准确性。

    Nov, 2023

  • 数据利用：部分标注数据上的对象检测和语义分割的多任务学习

    本文研究了多任务数据和部分标注的情况下，联合学习物体检测和语义分割这两个最流行的视觉问题，通过知识蒸馏实现多任务优化，并通过实验结果表明了多任务学习和知识蒸馏在性能上相对于单任务学习和完全监督场景的优势。

    Nov, 2023

  • 每个数据集都很重要：通过联合数据集训练扩展单目三维物体检测

    通过训练一个鲁棒的单目三维物体检测模型，采用包括多样化的三维和二维数据集、有选择地训练不同类别注释的数据集和使用二维标签的伪三维训练方法，我们可以获得具有强大泛化能力和对只有二维标签的新数据集表现出色的模型。

    Oct, 2023

  • mDALU: 多源域适应及部分数据集标签统一

    该研究提出了一种多源域自适应和标签统一问题的新方法，使用领域关注、不确定性最大化和注意力引导的对抗性对齐解决不匹配标签的负向转移，并在部分监督和完全监督的适应阶段传递知识以进行标签完成处理，在三种不同的任务中实现了显著优于现有竞争方法的表现。

    Dec, 2020