Sep, 2023

查询驱动的物体检测器可设计成更少阶段吗？

PDF
TL;DR该研究提出了一种名为 GOLO 的全局一次和局部一次（Global Once and Local Once）模型，通过减少解码阶段的数量，同时在性能上仍然取得了相当好的表现，从而改进了基于查询的目标检测器。在 COCO 数据集上的实验结果证明了该方法的有效性。
query-based object detectorsmulti-stage encoders and decoderscomputational burdengolo modelcoco dataset
发现论文，激发创造
  • StageInteractor: 基于查询的对象检测器与跨阶段交互

    本文提出了一种新的 query-based 目标检测器 StageInteractor，具有跨阶段交互和标签分配策略，并改进了建模能力，并在 MS COCO 基准测试中取得了很好的表现。

    Apr, 2023

  • 通过选择性查询再现增强基于查询的对象检测训练

    本文指出了查询检测器在预测中期正确预测的同时，在最后的解码阶段误判的现象，通过 Selective Query Recollection (SQR) 的训练策略可以提高后期训练的重要性，允许后期直接使用较早阶段的中间查询，并在各种设置中显著提高其性能。

    Dec, 2022

  • DECO: 基于查询的端到端目标检测与卷积神经网络

    通过构建一个基于查询的以卷积网络为基础的端到端目标检测框架 DECO，本研究探索了是否能够用卷积网络来取代复杂的 Transformer 架构，该框架在复杂性较低的情况下实现了与传统的物体检测模型相媲美的性能，并带来了另一种设计目标检测框架的视角。

    Dec, 2023

  • 高效 DETR: 使用密集先验改进端到端目标检测器

    本文提出使用密集先验初始化对象容器的方法，利用 Efficient DETR 同时利用密集检测和稀疏集检测，实现只有 3 个编码器层和 1 个解码器层的端到端物体检测，提高了算法效率和性能。在 MS COCO 数据集上的实验证明了该算法在拥挤场景下仍能稳定工作，并取得最先进算法相近的成绩，且在 CrowdHuman 数据集上表现优异。

    Apr, 2021

  • 远程感知中的设备推理的两阶段检测简化

    该论文提出了一种用于两阶段目标检测器的模型简化方法，通过仅使用一个特征提取来减少计算成本，同时通过对 RPN 的得分图应用高通滤波器来弥补精度下降，实验结果显示，在 DOTAv1.5 数据集上我们的方法在计算成本上降低了 61.2%，精度损失不超过 2.1%。

    Apr, 2024

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020

  • 基于查询的目标检测中聚焦于局部区域

    提出了一个新的基于查询的目标检测模型 FoLR，通过在局部区域而非全局区域重点关注物体来增强自注意力机制，引入自适应采样方法从特征图中提取有效特征，并使用回溯策略和特征混合模块来提升性能，实验证明了 FoLR 在收敛速度和计算效率方面具有领先的性能。

    Oct, 2023

  • 概率两阶段检测

    该研究提出了一种概率解释的两阶段物体检测方法，从而建立了一个比两阶段检测器更快更准确的概率两阶段检测器，并通过 C OC O 测试数据验证其性能优越性。

    Mar, 2021

  • MimicDet: 一阶段与二阶段物体检测方法之间的桥梁

    本文提出了 MimicDet 方法，通过直接模仿两阶段特征来训练一个单阶段检测器，以缩小单阶段和双阶段检测器之间的准确性差距。实验证明，该方法在 COCO 检测基准测试中的效果优于当前最先进的方法。

    Sep, 2020

  • 目标检测的少标注学习：基于 Transformer 模型是否更高效？

    在这篇文章中，我们针对当前最先进的目标检测器 Deformable DETR，提出了一种针对少批注学习设置的半监督方法，使用学生 - 教师架构，在避免依赖教师模型生成的伪标签的敏感后处理的同时进行学习。我们在半监督目标检测基准 COCO 和 Pascal VOC 上评估了我们的方法，并在标注稀缺的情况下优于先前的方法。我们相信我们的贡献为在此设置中使用类似的目标检测方法开辟了新的可能性。

    Oct, 2023