ECCVJul, 2022

通过单点监督的点对盒子网络，实现精准物体检测

PDF
TL;DR本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。
发现论文，激发创造
  • P2B：基于点云的三维物体跟踪的点 - 盒网络

    该论文提出了一种名为 P2B 的网络，通过在嵌入了目标信息的 3D 搜索区域中定位潜在的目标中心，执行基于点的 3D 目标候选提议和验证。使用 Hough 投票回归潜在目标中心，利用 PointNet++ 作为骨干网，证明了该方法在 KITTI 跟踪数据集上的优越性。

    May, 2020

  • P2RBox：定向目标检测所需的唯一点

    我们介绍了 P2RBox 网络，它利用点注释和掩膜生成器创建掩膜提案，并通过我们的检查器模块和约束器模块进行过滤，从而选择高质量的掩膜，并将其转换为旋转边界框注释以训练一个全监督检测器。这是第一次尝试使用点监督训练定向物体检测器。

    Nov, 2023

  • OSP2B: 一阶段点至框架网络用于 3D 映像跟踪

    提出了一种简单而有效的一阶段点对框网络，该网络用于基于点云的 3D 单目标跟踪，其中采用中心感知注意力机制和二进制目标分类器等方法来提升跟踪效果。

    Apr, 2023

  • Point2RBox: 合并来自合成视觉模式的知识，实现具有单点监督的端到端定向物体检测

    我们提出了一种新的方法 Point2RBox，通过综合合成模式知识和变换自我监督来解决点监督目标检测问题，该方法在 DOTA/DIOR/HRSC 数据集上取得了令人满意的性能。

    Nov, 2023

  • 使用单点监督学习遥感目标检测

    本文提出针对遥感领域中单点监督的 PSOD 方法，并采用点标签升级器和稀疏特征引导语义预测模块等技术解决了密集和动态尺度遥感图像中 PSOD 方法的挑战， 在 DOTA 数据集上取得了显著优于现有方法的性能，与基于图像和点级别监督的检测方法相比，缩小了 PSOD 和 BBox 级别监督目标检测之间的性能差距。

    May, 2023

  • 面向精确的端到端弱监督物体检测网络

    本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

    Nov, 2019

  • 重访类别不平衡对于端到端半监督目标检测的影响

    本文提出了一种新的半监督目标检测方法，该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量，并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性，通过在教师网络上使用强调重和弱增强数据的严格监督来产生稳健的伪标签，在 MS-COCO 和 Pascal VOC 数据集上表现出色，且只需很少的标记数据即可实现 100％的监督表现。

    Jun, 2023

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D 位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • 单次双向金字塔网络用于高质量物体检测

    通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

    Mar, 2018

  • 目标检测的点链接网络

    使用深度卷积神经网络实现了基于点和连接线的物体包围框表示方法 Point Linking Network（PLN），相比现有算法更具鲁棒性，可以应对物体遮挡、比例和长宽比等变化，且在多个基准测试数据集上均取得了最先进的单模型、单尺度检测结果。

    Jun, 2017