May, 2023

基于单到多 Transformer 的端到端车道线检测

PDF
TL;DR本文提出了一种名为 O2SFormer 的端到端车道检测方法，通过将一对一和一对多标签分配相结合，提高训练效率，并采用层级软标签解决了 DETR 中的标签语义冲突问题，同时还提出了基于动态锚点的位置查询方法以探索位置先验，实验证明 O2SFormer 在 CULane 数据集上表现显著优于 Transformer 和 CNN 的检测器，并且代码可以从指定的链接下载。
lane detectionend-to-end detectorsdetrlabel assignmentpositional query
发现论文，激发创造
  • Semi-DETR: 基于检测 Transformer 的半监督目标检测

    我们提出了 Semi-DETR，一个基于 transformer 的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题，并在 COCO 和 Pascal VOC 基准数据集上的所有 SSOD 设置中进行的实验表明，我们的方法优于所有现有方法。

    Jul, 2023

  • 一对几的标签分配用于端到端的密集检测

    本文提出一种基于 one-to-few 标签分配的端到端稠密检测策略，采用正负样本的组合与动态调整，既能够增强模型的表征学习能力又能够提高冗余预测的去除速度，实验表明该方案在 COCO 和 CrowdHuman 数据集上效果显著。

    Mar, 2023

  • 基于 Transformer 的目标检测

    本文提出基于 Transformer 的新方法 O²DETR，实现了复杂的有方向物体检测，无需旋转锚点，其性能表现明显优于 Faster R-CNN 和 RetinaNet。

    Jun, 2021

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020

  • 高效 DETR: 使用密集先验改进端到端目标检测器

    本文提出使用密集先验初始化对象容器的方法，利用 Efficient DETR 同时利用密集检测和稀疏集检测，实现只有 3 个编码器层和 1 个解码器层的端到端物体检测，提高了算法效率和性能。在 MS COCO 数据集上的实验证明了该算法在拥挤场景下仍能稳定工作，并取得最先进算法相近的成绩，且在 CrowdHuman 数据集上表现优异。

    Apr, 2021

  • 基于 Transformer 的车道检测与锚链表示

    基于 transformer 模型的 LDTR 提出以整个车道作为锚点，引入多重参考可变形注意力模块和高斯热图辅助分支等方法，用于解决自动驾驶中光照条件和遮挡等挑战性问题，实现了在车道检测领域的最先进性能。

    Mar, 2024

  • 基于 Transformer 的二维物体检测综述

    本篇论文详细回顾了二十一篇相关的论文，讨论了最近在 DETR 中基于 Transformer 方法的研究进展，并涵盖了最新的改进，包括骨干网络改造，查询设计和注意力优化。同时，我们还比较了所有检测变压器的性能和网络设计。

    Jun, 2023

  • 具有稳定匹配的检测变压器

    探讨 DETR 中跨不同解码器层次的匹配稳定性问题，提出使用位置度量监督正样本的分类得分和集成位置度量到 DETR 的分类损失和匹配代价中的两种方法，并在 COCO 检测基准测试中验证其有效性。

    Apr, 2023

  • MS-DETR: 使用混合监督实现高效的 DETR 训练

    改进了 DETR 训练效率，通过使用混合的一对一和一对多监督来明确监督候选生成过程，而无需额外的解码器分支或对象查询。

    Jan, 2024

  • Deformable DETR：可变形 Transformer 完整目标检测

    Deformable DETR 提出了一种改进的 Transformer 注意力模块，只关注于围绕参考点的一小集采样点，能够更好地实现物体检测，尤其是在小物体上，并在 COCO 基准测试上得到了有效的实验结果。

    Oct, 2020