Sep, 2023

BEA: 采用 Budding Ensemble 架构重新审视基于锚点的目标检测 DNN

PDF
TL;DR本文介绍了一种新颖的减少集成架构，称为 Budding Ensemble Architecture（BEA），用于基于锚点的目标检测模型。BEA 通过改进置信度得分校准和减小不确定性误差来提高目标检测模型的准确性。BEA 在 Base-YOLOv3 和 SSD 模型上的应用结果显示，与基准模型相比，mAP 和 AP50 分别提高了 6% 和 3.7%。此外，BEA-YOLOV3 在 KITTI 数据集上的训练还提供了优越的城市行人、BDD100K 和 COCO 数据集的超出分布检测能力。
budding ensemble architectureanchor-based object detection modelsloss functionsconfidence score calibrationuncertainty estimation
发现论文，激发创造
  • 局势监测：使用发展集合架构的多样性驱动零样本外分布检测实现物体检测

    引入了 Situation Monitor，一种用于增强自动驾驶等安全关键机器学习应用的基于 Transformer 的目标检测模型的零样本分布外（OOD）检测方法。该方法利用了多样性损失，通过集成架构，检测远样本和最小化接近样本的误报。此外，使用得到的 Diversity-based Budding Ensemble Architecture（DBEA）提高了模型的 OOD 性能，并改善了置信度得分的校准，特别是关于检测到的对象的交集。与普通模型相比，DBEA 模型减少了 14% 的可训练参数，从而在不影响模型检测 OOD 实例和准确校准置信度得分的能力的情况下，大大提高了效率。

    Jun, 2024

  • MaskBEV: 面向鸟瞰图的联合物体检测和轮廓补全算法

    提出了 MaskBEV，一种基于鸟瞰图的面罩型目标检测器神经架构，用于检测单个 BEV 实例掩模，同时重塑检测问题，完全基于分类处理。

    Jul, 2023

  • BEVDet：高性能多摄像头鸟瞰视角三维物体检测

    本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

    Dec, 2021

  • AABO: 基于贝叶斯子采样的适应锚框优化目标检测

    本文研究了自动优化目标检测锚点的问题，提出了一种结合贝叶斯优化和子采样方法的新型超参数优化方法 AABO，已在不同的检测器和数据集上进行了实验，并证明了通过优化锚点配置可提高 1.4% 至 2.4% 的最大平均精度（mAP），如将 Mask RCNN 从 40.3% 提高到 42.3%，HTC 检测器从 46.8% 提高到 48.2%。

    Jul, 2020

  • BAOD: 预算感知目标检测

    本文研究了基于预算限制的目标检测问题，提出了一种构建多样化和高信息量数据集的策略以及对其进行优化和混合监督式学习的方法，实验结果表明该方法在减少约 12.8% 的注释预算的同时能够实现 PASCAL-VOC 2007 数据集强监督探测器的性能

    Apr, 2019

  • 自主驾驶中基于鸟瞰图表示的 3D 物体检测鲁棒性研究

    本文评估了多种具有代表性的模型在各种情况下的自然和对抗鲁棒性，以全面了解它们如何受到包含和不包含 Bird's-Eye-View 特征的影响，重点关注自主驾驶安全问题，发现了一些警示性的结论。

    Mar, 2023

  • 无监督基于增强的自编码器集成用于异常检测

    提出了一种基于 Boosting 思想的 Autoencoder Ensemble 方法（BAE），它是一种无监督集成方法，利用加权采样来训练自编码器组件，并注入集成的多样性，它在各种条件下均优于现有技术水平的方法。

    Oct, 2019

  • IENet：交互分支单级无锚点探测器用于定向航空目标检测

    本文提出了一种针对定向物体检测的一阶段无锚点检测器，即交互分支网络 (IENet)，通过应用新的几何转换来更好地表示定向对象的角度预测，并开发了包含自我关注机制的分支交互模块来融合来自分类和框回归分支的特征，最后，引入了一种增强的 IoU 损失函数来检测 OBB，该算法在与现有算法的比较实验中表现出卓越的效果。

    Dec, 2019

  • 模型交互锚点修正实现航空图像鲁棒目标检测

    本文提出了一种基于动态增强锚点网络的物体检测方法，支持航拍场景下的小目标检测，采用交互式样本筛选和保守的基于锚点的推断方案，结合多任务联合训练，实现了高精度和低计算复杂度，并在 DTAO 和 HRSC2016 等数据集上取得了最优性能。

    Dec, 2021

  • 自动驾驶中鸟瞰空间高效三维物体检测的卷积网络方法

    3D 物体检测在俯视（Bird's-Eye-View）空间中最近成为自动驾驶领域的一种普遍方法。本研究提出了一种高效的基于 BEV 的 3D 检测框架 BEVENet，通过采用仅卷积的架构设计，克服了 ViT 模型的局限性，同时保持了 BEV 方法的有效性。实验证明，BEVENet 在 NuScenes 挑战赛中比当代最先进方法快 3 倍，同时在 NuScenes 验证数据集上获得 0.456 的平均精确度（mAP）和 0.555 的 nuScenes 检测分数（NDS），推断速度为 47.6 帧每秒。据我们所知，这是首次实现如此显著的 BEV 方法效率改进的研究，突显了它们在实际自动驾驶应用中的可行性提升。

    Dec, 2023