Nov, 2022

TSAA: 一种针对拥挤目标检测锚点漂移的两阶段锚点分配方法

PDF
TL;DR该研究提出了一种名为 TSAA 的自适应两阶段锚点分配方法，能有效解决目标密集场景中锚点漂移问题，并实现对象回归。在 CrowdHuman 和 COCO 数据集上进行的实验结果表明，此方法能显著提高检测器的性能。
anchor-based detectorscrowded object detectionanchor drifttwo-stage anchor assignmentobject regression
发现论文，激发创造
  • 用于目标检测的 IoU 预测的概率锚点分配

    本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

    Jul, 2020

  • 基于嘈杂锚点的单阶段目标检测学习

    本文提出一种基于干净度分数的目标检测方法，旨在解决使用 IoU 进行二元标签分配时可能出现的嘈杂标签问题，通过分类和回归分支，并利用干净度分数对样本进行重新加权，提高定位和分类的准确性，实验证明该方法对多个 backbone 可以显著提升 RetinaNet 的检测精度达到 2%。

    Dec, 2019

  • 通过自适应训练样本选择，弥合基于锚点和非锚点检测之间的差距

    本文介绍了标定检测与自适应选择正负样本（ATSS）对目标检测表现的影响并提出通过 ATSS 自动选择正负样本以显著提高基于先验框和无先验框检测器的性能，并通过大量实验证明了该方法的有效性。

    Dec, 2019

  • AABO: 基于贝叶斯子采样的适应锚框优化目标检测

    本文研究了自动优化目标检测锚点的问题，提出了一种结合贝叶斯优化和子采样方法的新型超参数优化方法 AABO，已在不同的检测器和数据集上进行了实验，并证明了通过优化锚点配置可提高 1.4% 至 2.4% 的最大平均精度（mAP），如将 Mask RCNN 从 40.3% 提高到 42.3%，HTC 检测器从 46.8% 提高到 48.2%。

    Jul, 2020

  • Ocean: 基于目标感知的无先验锚点跟踪

    该论文提出了一种基于物体感知的无锚点跟踪网络，通过直接预测目标对象的位置和规模，以及引入功能对齐模块来从预测的边界框中学习物体感知特征，从而提高跟踪鲁棒性和精度。实验证明，该跟踪器在五个基准测试中均取得了最先进的性能。

    Jun, 2020

  • 目标检测中的锚框优化

    本文提出了一种优化锚盒形状以提高目标检测精度的方法，通过动态学习锚盒形状来适应数据分布和网络学习能力，该方法对训练成本几乎没有额外开销，且能够在多个基准数据集上实现显著的改进。

    Dec, 2018

  • S4OD: 单阶段目标检测的半监督学习

    本文提出一种动态自适应阈值策略，同时考虑伪标签的质量和数量，并提出一种模块计算单级检测器的伪标签回归不确定性，仅使用来自 COCO 的 10％标记数据，我们的方法在基于锚点和无锚点的检测器（RetinaNet 和 FCOS）上实现了 35.0％AP 和 32.9％。

    Apr, 2022

  • 稀疏标注数据下的半监督目标检测

    使用基于单一物体跟踪和半监督学习的方法，对于 IoU 稀疏注释的目标检测，自动生成密集注释用于训练目标检测器，从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩（在不同测试集上）。

    Jun, 2020

  • TOOD：任务对齐的一阶段目标检测

    本文提出一种 Task-aligned One-stage Object Detection（TOOD）方法，通过设计一种 Task-aligned Head（T-Head）和 Task Alignment Learning（TAL），在学习过程中显示地对齐对象分类和定位这两个任务，实验结果表明，TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。

    Aug, 2021

  • 任意方向目标检测的动态锚点学习

    提出了一种动态锚点学习方法（DAL），通过全新定义匹配度评估锚点的定位潜力，实现有效标签分配并动态选择高质量锚点以实现准确目标检测，结果表明该方法在远程感知数据集 HRSC2016、DOTA、UCAS-AOD 以及场景文本数据集 ICDAR 2015 上获得了较好的检测性能。

    Dec, 2020