Jul, 2023

RCDN - 基于先进 CNN 模型的鲁棒性 X 角点检测算法

PDF
TL;DR本文提出了一种新的检测算法，能够在多种干扰条件下保持高次像素精度，包括镜头畸变、极端姿态和噪声。该算法基于粗到细的策略，包含 X 型角检测网络和三种后处理技术，以及混合亚像素细化技术和改进的区域增长策略。实验证明，与其他常用方法相比，该算法具有更高的检测率、亚像素精度和鲁棒性。最后，相机标定和姿态估计实验也验证了其在定量比较中能够获得更小的重投影误差。
x-corner detectionsub-pixel precisioninterferencedetection algorithmrobotics
发现论文，激发创造
  • CCDN：用于相机标定的棋盘格角点检测网络

    提出了一种新的检测算法，包括完全卷积网络和后处理技术，在遇到各种质量差的图像，如镜头畸变、极端姿势和噪声时，能够保持高准确性，移除假阳性，能够在不需要先验知识的情况下在多个场景下实现各种规模的输出。

    Feb, 2023

  • 更快更好：角点检测的机器学习方法

    本文提出了一个用于角点检测的新启发式方法，并使用机器学习从中派生出特征检测器，该检测器可以在少于 5％的处理时间内完全处理实况视频。通过实验比较，该检测器在可重复性和效率方面都表现出色，效果显著优于现有的特征检测器。

    Oct, 2008

  • 网格 R-CNN

    本文提出了一个名为 Grid R-CNN 的新型物体检测框架，它采用网格引导的定位机制实现准确的目标检测，其与传统的基于回归的方法进行了不同的创新，显式地捕获了空间信息并享有卷积架构的位置敏感性，同时采用多点监督公式设计来编码更多信息以减少特定点预测的不准确影响。为了充分利用网格中各点的关联性，提出了一种两阶段信息融合策略来融合相邻网格点的特征图，基于这些创新特性，Grid R-CNN 实现了高品质的目标定位，实验显示，与 Res50 和 FPN 架构的 Faster R-CNN 相比，在 COCO 基准测试中，在 IoU=0.8 和 0.9 时，AP 分别增加了 4.1% 和 10.0%。

    Nov, 2018

  • CorNet：通用的 3D 角点用于 6D 姿态估计新物品而无需重新训练

    本文提出一种基于物体几何特征，无需新数据或训练阶段即可快速、准确地检测和定位 3D 物体的方法，包括几何学习、RANSAC 算法等，特别适用于工业场景。

    Aug, 2019

  • 应用于机器人焊接的无组织三维点云的边缘和角点检测

    本文提出了基于对称性和密度自适应阈值的边缘检测方法和基于聚类曲率向量的角点检测方法，对 RGB-D 语义分割和 3D 模型进行了验证，在机器人焊接的自动化中提出了基于点云的焊缝检测新方法，与 Harris 3D 算法相比证明了其优越性。

    Sep, 2018

  • CornerFormer: 提高角点表示以进行细粒度结构重建

    本论文提出了一种改进的角落表征方法，将角点检测和边缘预测之间的知识融合，建议角点候选者在四个 heatmap 通道中提出，定量和定性评估证明该方法能够更好地重建细粒度结构，并取得了比最先进的 Corner 和 Edge 模型更好的表现。

    Apr, 2023

  • CornerNet：将物体检测作为配对关键点的检测

    通过使用单个卷积神经网络将检测到的目标边界框检测为一对关键点（左上角和右下角），我们提出了一种名为 CornerNet 的新的目标检测方法，并且引入了一种新的池化层 ——corner pooling，该方法有助于网络更好地定位角点，实验表明在 MS COCO 上，CornerNet 实现了 42.2％的 AP，优于所有现有的一阶段检测器。

    Aug, 2018

  • 用于边缘检测的更丰富的卷积特征

    该研究提出了一种准确的边缘检测器，利用丰富的卷积特征和多尺度多级信息相结合的方法达到了目标，并在计算机视觉任务中取得了最先进的结果。

    Dec, 2016

  • CenterNet: 目标检测的关键点三元组

    本文提出了一种有效的解决方案，通过使用代价最小的方式探索每个裁剪区域中的视觉模式，对目标检测中常见的边界框错误进行了改善，并在 MS-COCO 数据集上实现了 47.0％的 AP，性能比所有现有的一阶段检测器至少高 4.9％。同时，中心网展示出与排名前两名的两阶段检测器相当的性能，并在线上提供代码。

    Apr, 2019

  • 无 Anchor，两阶段物体检测的角点提案网络

    该论文提出了一种新的基于角点建议网络（CPN）的锚点自由，两阶段目标检测框架，首先通过查找潜在角点关键点组合提取了许多物体建议，然后通过一个独立的分类阶段为每个建议分配一个类别标签，从而提高了召回率和精度。在 MS-COCO 数据集上，CPN 实现了 49.2% 的 AP，超越了大多数同样推理速度的竞争对手。

    Jul, 2020