ECCVJul, 2022

目标检测中所有提议是否应平等对待？

PDF
TL;DR针对资源受限视觉任务中目标检测器的复杂度与精度权衡问题，研究了检测头中建议处理的影响，提出动态建议处理（Dynamic Proposal Processing，DPP）的概念，将更多计算分配给好的建议，使得可用计算预算得到更好的利用，从而在相同的 FLOPS 下实现更高的准确度。DPP 可作为函数实现并用于端到端的物体检测器中，相较于现有的端到端对象检测器（DETR，Sparse R-CNN），在给定计算复杂度的情况下，明显提升了性能。
发现论文，激发创造
  • 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

  • 有效的检测提案的要素是什么？

    该论文通过分析 12 种提案方法及 4 种基线，评估了它们对物体识别精度、重复性以及物体本地化准确性的影响，并提出了一个新的指标 —— 平均召回率，该指标同时奖励高召回率和良好的本地化准确性，并与检测性能惊人地相关。该论文的发现为选择和调整提案方法提供了指导和度量标准。

    Feb, 2015

  • 检测建议有多好？

    对当前十种对象提案方法及四种基准方法进行系统分析，发现现有方法存在共同的缺点并提供选择最适合不同场景的方法的洞见。

    Jun, 2014

  • 可扩展的高质量目标检测

    本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

    Dec, 2014

  • 在线目标跟踪及提议选择

    本文提出了一种通过采用基于几何变换估算的新建议并运用多种线索的选择策略，来跟踪在对象可能经历严重旋转等多种变换下的的目标进行追踪，并在多个数据集中获得最佳性能。

    Sep, 2015

  • 低功耗物体检测的系统级解决方案

    本文提出了一种面向异构嵌入式设备的高效物体检测系统解决方案，其中包括量化网络和专门的加速器，并采用分组数据流策略将计算密集型的卷积操作映射到加速器中以提高效率。研究结果显示，在 512x512 输入大小的实际监控视频中，该系统的推理速度可以达到 18 FPS，功耗仅为 6.9W，并在 PASCAL VOC 2012 数据集上实现了 66.4 的 mAP。

    Sep, 2019

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015

  • 什么导致物体提议的泛化？

    本文研究使用一小组源类别训练检测模型如何生成泛化到未见过的类别的 proposals，通过对数据集的视觉多样性和标签空间粒度的属性研究，引入了原型类别的概念，提出只需用 25% 的类别即可训练得到性能不差的 proposals，同时表明 Faster R-CNN 模型相比 RetinaNet 等单阶段网络更适合泛化生成 proposals。

    Aug, 2020

  • 再探基于提案的物体检测

    该研究提出了一种基于相交区域回归的方案，替代了常用的目标检测中预测最大重叠的策略，通过围绕物体的候选框组合回归的相交区域的并集来得出最终的预测，该方法对检测流程做出了最小的改变并可用于任何现有方法，对经典的目标检测和实例分割方法均有直接的改进。

    Nov, 2023

  • 对象检测提议在条件变化下的评估

    本文介绍了一种将 Selective Search 和 EdgeBoxes 相结合的目标检测方法，并在环境变化下对其进行了实验验证，结果表明此方法在光照和视角变化下性能优于其他两种方法。

    Dec, 2015