Apr, 2023

只用公共数据集构建强大可复现的物体检测器

PDF
TL;DR本文提出了 Focal-Stable-DINO，一个强大且可复制的物体检测模型，仅使用 700M 参数即可在 COCO val2017 上达到 64.6 AP，在 COCO test-dev 上达到 64.8 AP。与现有 SOTA 模型不同，我们的模型仅在公开数据集 Objects365 上进行训练，确保我们方法的可重复性。
object detectionfocal-stable-dinococo datasetreproducibilityparameter efficiency
发现论文，激发创造
  • DINO: 改进去噪锚框的端到端物体检测 DET-BR

    本文介绍了 DINO（带有改进去噪技术和锚框选择方法的 DETR 模型），是一种最先进的端到端对象检测器，通过使用对比方式的去噪训练、混合查询选择方法的锚初始化以及两次向前的方案了来改进 DETR 模型，该模型使用 ResNet-50 的主干和多尺度特征，在 COCO 数据集上的 12 个时期达到 49.4AP，69.3% val mAP (63.3AP & 63.2AP)，并且可以很好地扩展到模型大小和数据集大小。

    Mar, 2022

  • 一次检测的稳定优化

    研究提出了单阶段目标检测的一致优化方法，通过利用训练过程中的改进型 anchors 匹配检测假设和推理质量，实现性能提升，在 COCO 数据集上，优化后的 RetinaNet 性能从 39.1 AP 提升到 40.1 AP。

    Jan, 2019

  • 少样本检测一切

    本文介绍了 DE-ViT，这是一个使用纯视觉 DINOv2 骨干网络的开放集对象检测器，通过示例图像而不是语言来学习新的类别。为了提高检测能力，我们将多类别分类任务转换为二分类任务，并提出了一种新的区域传播技术来进行定位。在 COCO 和 LVIS 的开放词汇、少样本和一次样本对象检测基准测试中，DE-ViT 的性能超过了 SoTA。

    Sep, 2023

  • 解决大规模分层目标检测数据集中不完整标注和数据不平衡问题

    本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略，以 Open Images Datasets 为数据集，在强大的 SENet154 的支持下，取得了 62.2% 的 mAP，位列公共领袖板（第 2 名）和私人领袖板（第 3 名），只比第一名低了 0.04 个点。

    Oct, 2018

  • 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

  • 从头开始使用深度监督进行物体检测

    提出 Deeply Supervised Object Detectors（DSOD）框架，实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督，DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果，并使用更小的模型参数。

    Sep, 2018

  • FCOS：全卷积单阶段目标检测

    本文提出了一种全卷积单阶段物体检测器 FCOS，采用针对每个像素的预测方式，类似于语义分割。相对于所有最先进的物体检测器，如 RetinaNet，SSD，YOLOv3 和 Faster R-CNN，FCOS 完全无需先定义参考框，从而避免与参考框相关的计算，例如计算训练过程中的重叠等。通过仅使用后处理的非最大抑制（NMS），FCOS 基于 ResNeXt-64x4d-101 实现了 44.7％的平均精度，超过了以前的单阶段检测器，并具有更为简单的优点。

    Apr, 2019

  • AnomalyDINO：使用 DINOv2 提升基于补丁的少样本异常检测

    本文探讨了高质量的可视特征是否足以与现有的最先进的视觉语言模型竞争，并通过将 DINOv2 适应于一次性和少量次数的异常检测来证实这一点，重点放在工业应用上。我们表明这种方法不仅能与现有技术竞争，而且在许多情况下甚至能胜过它们。我们提出的仅视觉方法 AnomalyDINO 基于补丁相似性，能够实现图像级别的异常预测和像素级的异常分割。该方法在方法论上简单且无需训练，因此无需额外的数据进行微调或元学习。尽管简单，但 AnomalyDINO 在一次性和少量次数的异常检测方面取得了最先进的成果（例如，将 MVTec-AD 上的一次性性能从 93.1％的 AUROC 提升至 96.6％）。降低的开销以及出色的少量次数性能使 AnomalyDINO 成为快速部署的有力候选，例如在工业环境中。

    May, 2024

  • DeNet：利用指向性稀疏采样实现可扩展实时物体检测

    该论文提出了一种基于终端到终端的 CNN 模型，其使用稀疏的分布估计方案 —— 定向稀疏采样，并对模型进行了场景自适应优化，具有实时评估率和较高的精度，尤其针对细粒度对象具有更大的 regions-of-interest 集合。

    Mar, 2017

  • 优化基于锚点的检测器用于自动驾驶场景

    研究了适用于自动驾驶场景的基于锚点的检测器的模型改进和推理时间优化，提出了模型缩放策略，以实现更好的速度 - 精度权衡曲线，并在 Waymo 开放数据集上获得了新的最新技术水平。

    Aug, 2022