Aug, 2023

具有噪声边界框的对象检测的分布感知校准

PDF
TL;DR基于大规模标注数据集，该研究提出了分布感知校准（DISCO）方法，通过建模和提取物体的空间分布信息，采用分布感知的技术来改进分类、定位和可解释性，从而在高噪声水平下实现最先进的检测性能。
large-scale well-annotated datasetsbounding box annotationsdiscodistribution-aware techniquesdetection performance
发现论文，激发创造
  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • 不准确边界框目标检测的空间自我蒸馏

    通过空间自蒸馏对象检测器 (SSD-Det) 以及空间信息和类别信息的结合，利用模糊边界框的监督来改善对象检测，提高注释质量。在 MS-COCO 和 VOC 数据集上的实验证实了该方法的有效性，达到了最新的性能水平。

    Jul, 2023

  • 推测物体检测的空间不确定性

    本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型，并定义了一种新的概率边界框表示方法，进而提出了一种基于 Jaccard IoU 的新的评价指标，该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标， 对于概率目标检测器的评估具有高度准确性。

    Mar, 2020

  • 不准确边界框下鲁棒物体检测

    本文旨在提出一种基于对象感知多实例学习的方法来学习对不准确边界框具有鲁棒性的对象探测器。通过选取准确的实例并生成高质量实例来最小化误差和提高精度。实验结果表明，该方法在合成和真实嘈杂数据集上均有效。

    Jul, 2022

  • 为自动驾驶学习一种具有不确定性意识的目标检测器

    本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

    Oct, 2019

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020

  • 基于差异系数的弱监督目标检测

    本文研究弱监督对象检测的问题，在模型中使用基于分歧系数的概率学习目标，通过深度学习框架提供注释一致的样本来解决条件分布复杂性的挑战，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛实验。

    Nov, 2018

  • 基于无锚点物体检测的定位不确定性估计

    本文提出了一种新的 UAD 方法，用于解决锚点法中现有不确定性评估方法的限制，通过在框偏移的四个方向（左、右、上、下）中捕获不确定性，一定程度上解决了现有方法中对异构目标性质的建模不准确、对误差的估计不准确等问题。

    Jun, 2020

  • 使用更少的标签对半监督领域自适应扩展更多对象

    通过扩散模型，在图像上迭代细化随机边界框的预测，在无人参与的情况下，利用改进的检测结果作为带权重的伪标签进行半监督学习。

    Dec, 2023