使用基于单一物体跟踪和半监督学习的方法,对于 IoU 稀疏注释的目标检测,自动生成密集注释用于训练目标检测器,从而在 Epic-Kitchens 2020 目标检测挑战中获得了第一名和亚军的成绩(在不同测试集上)。
Jun, 2020
借助大规模数据和生成模型,我们提出利用负面样本来改进基于语言的开放词汇目标检测,实验结果表明这种方法提高了性能。
Dec, 2023
提出了一种用于跟踪的检测框架的新方法,该方法通过估计样本质量来动态地管理训练集并降低损坏样本的影响,并通过在目标外观模型和样本质量权重上最小化单个损失的统一公式实现,最终在三个数据集上实现了最新的结果提升。
Sep, 2016
通过单点注释学习跟踪表示,提出了一种软对比学习框架(SoCL),该框架将目标拥有性先验融合到端到端的对比学习中,并将所学表示应用于视觉跟踪,展示出优越的性能和鲁棒性。
Apr, 2024
本文介绍了标定检测与自适应选择正负样本(ATSS)对目标检测表现的影响并提出通过 ATSS 自动选择正负样本以显著提高基于先验框和无先验框检测器的性能,并通过大量实验证明了该方法的有效性。
Dec, 2019
本篇研究旨在解决目标检测模型只能处理预定义类的问题,并提出利用文本查询进行目标检索和定位的方法 (Query-Adaptive R-CNN), 通过负向短语扩充 (NPA) 技术训练分类器以检索和定位视觉样本库中的对象,实验表明该方法能在 0.5 秒内从 100 万张图像中准确完成检索定位。
Nov, 2017
提出了一种新的监督对比学习目标 SCHaNe,在细调阶段引入了硬负样本采样,实验结果表明,在各种基准测试中,SCHaNe 在 Top-1 准确率上优于强基准 BEiT-3,少样本学习设置中取得了 3.32% 的显著增益和完整数据集细调中的 3.41% 的显著增益,这一目标在 ImageNet-1k 上取得了 86.14% 的准确率,并且改进的嵌入效果更好,可以解释实验中观察到的改进效果。
Aug, 2023
本文介绍了一种名为 RTrack 的新型目标表示基准追踪器,该追踪器利用一组样本点来获取伪边界框,并自动排列这些点以定义空间范围和突出显示局部区域。我们还对训练潜力进行了深入研究,并引入了一对多的前导分配策略,该方法在 GOT-10k 数据集上实现了与最先进的追踪器竞争性性能,并将训练时间减少到了先前性能最佳追踪器的 10%。大量实验证明,我们提出的 RTrack 在更快的收敛速度下取得了最先进的结果。
Sep, 2023
本文提出了一种新的锚点分配策略,通过模型的学习状态自适应地将锚点分成正样本和负样本,实现概率推理,并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层,并且不需要每个位置多个锚点,因此非常高效。
Jul, 2020
本研究关注于少样本目标检测的应用,旨在恢复少样本目标检测中缺失信息。通过引入新的正负样本代表和基于度量学习的框架,建立模型以提高状态最优的准确性。
Oct, 2020