高分辨率图像物体检测的粗细粒度框架
本文提出了一种基于强化学习的通用框架,对于出现在高分辨率图像中的各种大小的物体进行检测,可以减少计算成本并保持准确性;实验结果表明,与传统方法相比,可以减少处理像素的数量达 50%,而不会降低检测精度。
Nov, 2017
为了减少使用高空间分辨率图像所带来的计算和货币成本,我们提出了一种强化学习代理,该代理自适应地选择提供给探测器的每个图像的空间分辨率,并使用双重奖励设置对代理进行训练,以选择低空间分辨率图像,以运行粗级探测器,同时选择高空间分辨率图像,则运行精细级探测器,该方法在维持与仅使用高分辨率图像的检测器相似的准确性的同时,将运行时间效率提高了 50%,只使用高分辨率图像 30%的时间
Dec, 2019
在对象检测领域,提出了 QueryDet 算法,使用了新颖的查询机制来加速基于特征金字塔的对象检测器的推理速度,既可以收获高分辨率特征图的好处,又可以避免背景区域的无用计算,从而在保证精度的前提下提高了推理速度。
Mar, 2021
本研究探讨图像超分辨率如何在低分辨率图像目标检测任务中发挥积极作用,提出了一种新的框架来训练深度神经网络,通过传统检测 loss 与显式结合得到的检测 Loss 来优化超分辨率子网络,证明了任务驱动的超分辨率能显著提高各种条件和缩放因子下目标检测器在低分辨率图像上的准确性。
Mar, 2018
本研究提出一种简单且有效的深度学习方法,可将高分辨率训练数据中获得的细粒度知识传递到粗糙的低分辨率测试场景,其在监控照片或卫星图像等低分辨率场景中识别物体具有许多实际应用。实验结果表明,本方法能有效地将细节知识传递到粗略的图像中,且在包含汽车模型和鸟类物种的两个基准数据集上取得了优异的表现。
May, 2016
该论文探讨了物体识别中探测小物体的挑战,重点考察了尺度不变性、图像分辨率、语境推理等方面,并通过训练深度网络实现了在小脸检测方面的突破,在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。
Dec, 2016
本研究提出了一种半监督方法,只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签,即可实现接近完全监督检测的所有类别的检测精度,包括了使用共享骨干,基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明,这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上,只有少部分类别进行完全注释就能够接近最先进的全监督方法。
Aug, 2019
使用高分辨率图像分类和卷积超分辨率技术相结合的方法,提出了一种用于解决低分辨率图像细节问题的端到端的深度模型,并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验,结果表明该模型在低分辨率图像中能更好地分类细分类别。
Mar, 2017
本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架,包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域,以及一个物体检测网络来预测指定区域中的物体。同时,本文还提出了一种名为 IBS 的方法,可以克服区域搜索方法的截断效应,并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分,超越所有已知的最先进的小物体检测方法。
Mar, 2022