Apr, 2023

不受限环境目标检测技术的综合研究

PDF
TL;DR本文综合研究了计算机视觉中物体检测技术在无约束环境下的各种挑战、数据集和最新方法，并进行了方法的比较分析，强调了它们的优缺点，并提出了未来的研究方向，以进一步改善在无约束环境下的物体检测技术。
发现论文，激发创造
  • 基于深度学习的目标检测综述

    本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。

    Jul, 2019

  • 深度学习在目标检测中的最新进展

    本文综合调查了目前使用深度学习进行视觉对象检测的最新进展，特别关注了三个主要方面：检测组件、学习策略和应用与基准，并讨论了许多影响检测性能的因素。

    Aug, 2019

  • 基于深度学习的现代目标检测模型综述

    本文概述了基于深度学习的物体检测器的最新发展，提供了检测中使用的基准数据集和评估指标的简明概述，以及在识别任务中使用的一些主要骨干架构和现代轻量级分类模型，最后我们比较了这些架构在多个度量标准上的性能。

    Apr, 2021

  • 深度学习中的目标检测综述

    本文回顾了基于深度学习的目标检测框架，从深度学习和卷积神经网络教程开始，介绍了典型的通用和特定目标检测架构以及改进方法和技巧，并提供了实验数据分析，最后提出了未来研究中的几个有前景的方向和任务。

    Jul, 2018

  • 通用物体检测的深度学习：一项调查

    本文综述了深度学习方法在目标检测领域的应用及其取得的进展，涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面，并指出了未来研究的方向。

    Sep, 2018

  • 自主车辆中的目标检测：现状与开放挑战

    本文研究计算机视觉中的物体检测任务，分析其在自主驾驶汽车中的应用，并探讨目前物体探测器的现状和面临的挑战。

    Jan, 2022

  • 弱监督目标定位与检测综述

    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

  • 基于对比学习的无监督学习目标检测

    我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

    Feb, 2024

  • 使用卷积神经网络从视频管道中进行目标检测

    本论文介绍了一个基于静态图像物体侦测和一般物体跟踪的完整视频目标侦测框架，并提出了一个时间卷积网络来整合时间信息以规范化侦测结果，在 ImageNet 数据集上进行了评估。

    Apr, 2016

  • 极端环境下的人脸检测：机器学习方法

    本文提出一种深层级联多任务框架，通过三层深度卷积神经网络的分级设计，在对人脸和人脸特征区域进行预测的粗到细的过程中，利用其中的内在相关性以提高人脸检测和特征点定位的性能，在学习过程中还采用一种新型的在线困难样本挖掘方法，能够自动提高性能而无需手动样本选择。

    Jan, 2022