DynamicDet: 一种用于物体检测的统一动态架构

CVPRApr, 2023

DynamicDet: 一种用于物体检测的统一动态架构

DynamicDet: A Unified Dynamic Architecture for Object Detection

Zhihao Lin, Yongtao Wang, Jinhe Zhang, Xiaojie Chu

TL;DR本文提出了一种名为 DynamicDet 的动态框架，该框架基于对象检测任务的本质，设计了一种动态架构，并提出了一种自适应路由来分析多尺度信息并自动决定推理路线，然后提出了一种新的基于检测损失的优化策略，最后提出了一种可变速推理策略，该策略可以实现广泛的准确度和速度之间的权衡，实验结果表明，DynamicDet 实现了新的最新的准确度 - 速度权衡。

Abstract

dynamic neural network is an emerging research topic in deep learning. With adaptive inference, dynamic models can achieve remarkable accuracy and computational efficiency. However, it is challenging to design a

dynamic neural network adaptive inference object detection multi-scale information optimization strategy

发现论文，激发创造

EfficientDet：可伸缩高效的目标检测

本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

Nov, 2019

通过动态训练实现高质量对象检测的动态 R-CNN

本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状，这使得训练样本得到更好的利用，并使检测器适应更多的高质量样本。在 MS COCO 数据集上，我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$

Apr, 2020

SimpleDet: 一个简单且多功能的分布式目标检测和实例识别框架

本文介绍了一个名为 SimpleDet 的高效开源物体检测框架，支持最新的检测模型和分布式训练，可在消费级硬件上大规模训练现代化的检测模型。

Mar, 2019

多个领域实时物体检测网络的综合研究：调查

通过在多个实时检测器及数据集上进行综合研究，本研究对图像大小、置信阈值、架构层数等多种变量的影响进行了分析，研究了检测网络在分布偏移、自然破坏和对抗攻击等方面的鲁棒性，并提出了对 HTTP/3 实现的区分服务（DiffServ）传输的改进。

Aug, 2022

DeepID-Net: 多阶段和可形变深度卷积神经网络用于目标检测

本文提出多阶段变形卷积神经网络用于目标检测，使用新的变形约束池化层来建模对象部分的变形，并提出多阶段训练策略和预训练策略来优化多个难度级别的分类器以及改变神经网络结构、训练策略来得到一组具有较大多样性的模型，在 ILSVRC 2014 中排名第二，显著提高了目标检测的平均精度。

Sep, 2014

DetNet：一种用于物体检测的骨干网络

本文提出了一个新的针对目标检测任务的骨干网络 DetNet，该网络特别设计用于目标检测任务，并包括针对传统分类网络的额外层，同时保持更高的空间分辨率。该网络在 MSCOCO 基准测试上取得了实例分割和目标检测领域的最先进结果。

Apr, 2018

动态神经网络：一项综述调查

本文综述了动态神经网络在深度学习领域的最新研究进展和主要研究方向，分析了其在计算效率和适应性等方面的优势，总结了架构设计、决策方案、优化技术和应用开发等方面的研究问题以及未来发展的方向。

Feb, 2021

DECO: 基于查询的端到端目标检测与卷积神经网络

通过构建一个基于查询的以卷积网络为基础的端到端目标检测框架 DECO，本研究探索了是否能够用卷积网络来取代复杂的 Transformer 架构，该框架在复杂性较低的情况下实现了与传统的物体检测模型相媲美的性能，并带来了另一种设计目标检测框架的视角。

Dec, 2023

DetNAS：目标检测中的骨干网络搜索

本文提出了一种名为 DetNAS 的方法，使用神经结构搜索技术来设计用于目标检测的骨干网络，实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。

Mar, 2019

ThunderNet：面向实时通用物体检测

本研究针对移动平台上实时通用物体检测这一计算机视觉任务存在的计算成本巨大的问题，调查了两阶段检测器在实时检测方面的有效性，并提出了一个名为 ThunderNet 的轻量级两阶段检测器，相对于单阶段检测器，仅使用了 40％的计算且取得了优越的性能，在 ARM 平台上实现了 24.1fps 的实时检测。

Mar, 2019