ICCVAug, 2023

基于粗 - 细提案生成和模仿学习的小目标检测

PDF
TL;DRCFINet 是一种针对小物体检测的两阶段框架，通过粗到细的策略和特征模仿学习来提高小物体检测性能。它包括 Coarse-to-fine RPN（CRPN）和 Feature Imitation（FI）分支，并引入监督对比学习的辅助模仿损失，与 Faster RCNN 相结合，取得了在大规模小物体检测基准上的最优性能。
object detectionsmall object detectioncoarse-to-fine rpnfeature imitation learningsupervised contrastive learning
发现论文，激发创造
  • 改进小物体建议以实现公司商标检测

    本研究旨在探讨以 Faster R-CNN 为代表的物体检测方法在公司商标检测任务中的应用。针对小物体实例表现不佳的问题，我们对该方法中的候选区域生成和分类两个阶段进行了研究，提出了一种改进的候选框生成机制，并利用更高分辨率的特征图来提高小物体检测性能，实验证明其在 FlickrLogos 数据集上 RPN 性能从 0.52 提高到 0.71（MABO），检测性能从 0.52 提高到 0.67（mAP）。

    Apr, 2017

  • 基于 Faster RCNN 的目标检测模型的增量学习

    本文提出了一种高效的端到端的渐进式目标检测器，利用知识蒸馏技术，在新任务微调模型时适当保留旧类别的知识，相较于传统 Faster RCNN 基线检测器更快 13 倍，且更准确。

    Mar, 2020

  • Faster R-CNN: 基于区域建议网络实现实时目标检测

    本文提出一种完全卷积的区域提议网络（RPN），在同时预测目标边界和目标特征分数的同时，使用完全图像卷积特征共享检测网络的特征。

    Jun, 2015

  • 增强的少样本目标检测的改进区域建议网络

    我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

    Aug, 2023

  • Meta Faster R-CNN: 基于注意力特征对齐的精准少样本目标检测

    提出了一种基于元学习的 FSOD 模型，通过联合优化少样本提议生成和细粒度分类，采用轻量级的基于度量学习的原型匹配网络来提高少样本类别的提议生成，提出了一种注意力特征对齐方法来解决噪声提议与少量样本类别之间的空间失配问题。在多个 FSOD 基准上取得了最先进的性能。

    Apr, 2021

  • PETDet: 用于两阶段精细化物体检测的建议增强

    本研究提出了 PETDet（Proposal Enhancement for Two-stage fine-grained object detection）方法，该方法包括 anchor-free Quality Oriented Proposal Network（QOPN），Bilinear Channel Fusion Network（BCFN）和 Adaptive Recognition Loss（ARL），实验证明了其在各种 FGOD 数据集上均达到了最先进的性能，并且在准确性和推理速度之间取得了较好的兼容性。

    Dec, 2023

  • 高分辨率图像物体检测的粗细粒度框架

    本文提出一种基于聚类的粗到细的目标检测框架，特别针对小物体和高分辨率图像的大规模差异问题，在提高目标检测准确率的同时降低了计算成本。

    Mar, 2023

  • 大规模物体检测 —— 无需细粒度边界框检测 11K 类

    本研究提出了一种半监督方法，只需要较少数量的粗粒度类别的边界框注释和大规模细粒度类别的图像级标签，即可实现接近完全监督检测的所有类别的检测精度，包括了使用共享骨干，基于软注意力的候选建议重排和双级存储器模块的相关性。实验证明，这种方法在 ImageNet 和 OpenImages 这两个大规模数据集上，只有少部分类别进行完全注释就能够接近最先进的全监督方法。

    Aug, 2019

  • 基于递归训练的缩放网络用于目标提案

    本文提出了一种缩放输入和输出网络用于生成物体提议，使用不同分辨率的特征图在网络中检测各种大小的物体实例，设计缩放子网络来增加高级特征的分辨率，使用递归训练管道，匹配测试阶段的迭代回归，证明了该方法在各种评估度量中优于现有技术。

    Feb, 2017

  • 使用弱监督部件检测网络进行部件感知的细粒度对象分类

    该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

    Jun, 2018