Aug, 2022

利用选定方法改善具有弱可识别特征的小物体识别

PDF
TL;DR通过使用基于 GAN 的增强方法，可以改善在 VOC Pascal 数据集上的小物体检测。实验证明，该方法可以提高小物体检测的精度，并且与其他流行的增强策略（如物体旋转和平移）相比表现更佳，基于 FasterRCNN 模型实现。
object detectionganaugmentationsmall objectsfasterrcnn
发现论文，激发创造
  • 感知对抗生成网络用于小物体检测

    本研究提出了一种基于 Perceptual GAN 的模型，通过将小目标的表示向超分辨率方向提升，实现其特征与大目标相似，从而提高小目标检测的准确性。

    Jun, 2017

  • 通过生成对抗和排序网络进行弱监督目标发现

    本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

    Nov, 2017

  • 小数据目标检测的生成建模

    本文介绍了一种利用生成模型来解决在小样本数据集下机器学习中的物体检测问题的方法，旨在克服 “稀缺性” 和 “注释费用高” 等挑战，本文采用一种新型滚动机制的模型，可以同时优化生成模型和探测器，以提高探测器性能，结果表明本方法在疾病检测和小数据行人检测等数据集上表现优异，相对平均精度提高了 20％，定位精度提高 50％。

    Oct, 2019

  • 基于 GAN 的图像物体检测方法：针对不同质量图像的优化

    本研究提出了一种基于生成对抗网络的目标检测框架（GAN-DO），可用于生成具有鲁棒性的特征以提高图像质量较差情况下的目标检测精度，不增加模型复杂度或推理速度，能通用于各种深度神经网络结构，并在常用数据集上实现了较高的检测准确性。

    Dec, 2019

  • 小目标检测的增强

    对于小目标和大目标的检测仍然存在着性能差距。为了解决这个问题，本文提出了一种通过过采样和复制粘贴小目标的数据增强方法来提高模型在小目标上的表现，实验结果表明相对于现有的先进方法，我们的方法在 MS COCO 数据集上将实例分割精度提高 9.7% ，目标检测精度提高了 7.1%。

    Feb, 2019

  • 弱监督目标定位的改进技术

    本文提供了一种改进的技术，用于弱监督目标定位，通过数据增强和卷积神经网络的学习优化，与当前最先进的技术相比，可以将 Top-1 的定位准确性提高 21.4% 至 37.3%。

    Feb, 2018

  • 使用数据增强的 Deep CNN 集成物体检测模型

    采用 DeepEnsembleCoco 的方法，利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果，并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。

    Jun, 2015

  • 使用域随机化和生成对抗网络精化合成图像进行目标检测

    该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示，使用合成图像和 GAN 翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过 0.95 的平均精度。

    May, 2018

  • 建模视觉上下文是扩充物体检测数据集的关键

    本研究旨在通过利用分割注释来增加训练数据中的物体实例数量，通过适当地对物体周围的视觉环境进行建模以在物体所处的正确环境中放置它们，以提高少量标记样本的 VOC'12 基准测试平均精度。

    Jul, 2018

  • 小样本基于 GAN 的数据增强中的偏差探究

    本研究探讨了生成对抗网络（GAN）的数据增强中的偏见问题，通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见，并最终提出了一些应对方案以减缓偏见对模型性能的影响。

    May, 2019