不受限环境目标检测技术的综合研究
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
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
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
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
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
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
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
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