优化基于锚点的检测器用于自动驾驶场景
本文研究物体检测系统的速度和准确率损失函数,并通过改进模型架构、训练技术等方法,将模型的准确率提升了 7.7%,速度提升了 30%。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡,产生了两个 Pareto 曲线。最后,作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。
Jun, 2021
本文提出了一种名为 Cas-RetinaNet 的级联目标检测器来降低不一致性和提高性能。该算法包括按照递增的 IoU 阈值进行训练的多个级别和一个用于减轻特征不一致性的新特征一致性模块。实验表明我们的算法相对于 RetinaNet,在不采用其他技巧的情况下,将在具有挑战性的 MS COCO 数据集上的表现从 39.1 提升至 41.1。
Jul, 2019
该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法,实现了锚点无关和单阶段检测器的高精度,探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中,表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3%,在 partial set 上为 8.7%,在 bare set 上为 5.6%,获得了第二高的性能。
Feb, 2020
本研究提出了一种基于双重细化机制的目标检测方法,在静态和时间景观中能够快速准确地检测对象。通过使用新型 anchor-offset 检测和双重细化网络(DRNet),TRNet 和 TDRNet,实现了对静态和时间目标的高性能检测,并应用于水下目标检测和抓取的自主系统中。
Jul, 2018
研究提出了单阶段目标检测的一致优化方法,通过利用训练过程中的改进型 anchors 匹配检测假设和推理质量,实现性能提升,在 COCO 数据集上,优化后的 RetinaNet 性能从 39.1 AP 提升到 40.1 AP。
Jan, 2019
本文介绍了一种被称为 AdaScale 的新方法,该方法在视频对象检测方面提供了更好的准确性和速度,并展示了 - imagenet VID 和 mini YouTube - 边界框数据集上的结果。
Feb, 2019
本文提出了一种新的基于单一射击的检测器 RefineDet,它既具有两阶段方法的高精度,又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成,通过多任务损失函数的训练获得了最高的检测准确率。
Nov, 2017
本论文提出了一种新的基于区域提案网络的方法来替换 Faster R-CNN 中的锚点机制,通过去除复杂的锚点设计,可以在大规模 COCO-Text 数据集上实现更高的召回率,并在 ICDAR-2017 MLT、ICDAR-2015 和 ICDAR-2013 文本检测基准测试中取得最先进的结果。
Apr, 2018
RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型,相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。
Mar, 2020
本文提出了一种名为 Double Anchor R-CNN 的框架, 处理拥挤场景下的人体检测,通过身体和头部匹配双重先验区域提出与提出交叉策略以及联合的后期处理模块,实现在拥挤场景下同时检测每个人的头部和身体,并在 CrowdHuman, COCOPersons(拥挤子数据集)和 CrowdPose(拥挤子数据集)数据集上取得了最新颖的结果。
Sep, 2019