相关损失:加强分类和定位之间的相关性
本文研究了单阶段物体检测器比两阶段物体检测器速度更快,但精度更低的原因,并提出了一种名为Focal Loss的做法,以解决稠密检测器训练中遇到的前景背景类别不平衡问题,该方法能够提高准确性。在该方法的基础上设计了一种名为RetinaNet的密集型检测器,取得了超过现有首屈一指的两阶段检测器的精度。
Aug, 2017
本研究提出了一种新颖的边界框回归损失方法,该方法结合了学习边界框变换和定位方差。研究表明,该方法显著提高了各种框架的准确性。同时,学习到的定位方差允许我们在非极大值抑制期间合并相邻的边界框,进一步提高了定位性能,超越了先前的最先进的边界框精化方法。
Sep, 2018
研究单阶段物体检测器的损失函数对定位准确性的影响,并提出有关IoU平衡的损失函数以解决该问题,在COCO、VOC和Cityscapes等公共数据集上进行了广泛实验,证明了IoU平衡损失可以显著提高单阶段检测器的检测准确性。
Aug, 2019
本篇论文提出了一种基于Generalized Focal Loss的改进型One-Stage Detector,在保证速度的情况下,在COCO数据集上实现了state-of-the-art的准确率。
Jun, 2020
本论文介绍了一种新的双重传递想法来探索前向和后向方向中不同层之间的关系,提出了一种双重网络(TPNet),通过高低级特征之间的双向传输,可以同时丰富低级特征的语义信息和高级特征的详细信息,这对于准确检测不同尺度的物体非常有用。另外,由于单级检测器中难样本和易样本之间的分布不平衡,我们提出了自适应的IoU损失(RIoU)来矫正每种样本的梯度,可以提高模型的总体定位精度。
Aug, 2020
本文提出了一种有效的方法,将一阶段目标检测器的分类任务替换为排名任务,并采用平均准确率(Average-Precision)损失函数,通过优化算法,处理了训练中的极端正负样本不平衡问题,获得了比现有AP-based优化算法更出色的实验结果。
Aug, 2020
本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。
Apr, 2021
通过提出谐波损失,实现了分类分支和定位分支之间的协同优化,使得训练阶段的分类误差和定位误差能够同步优化,从而解决了现有目标检测器中存在的分类得分高但定位不准或者定位准确但分类得分低等预测不一致问题,在PASCAL VOC和MS COCO的基准测试中均取得了优秀的表现。
Aug, 2021
提出一种基于extended IoU并采用convexification和steady optimization技术的新型损失函数方法,用于提高物体检测中的定位精度,并在Faster R-CNN with ResNet50+FPN中实现了显著的mAP提高,同时计算和推断的成本几乎没有增加。
Dec, 2021
本研究提出了两种确定性方法来快速有效地传播高斯分布模型,并研究了相关的不确定因素、校准方法和误差来源之间的关联,从而为解决复杂且真实环境中物体检测与定位的可靠性问题提供了新的解决方案。
Jun, 2023