PrObeD:主动目标检测封装器
本文提出了一种基于概率模型和强大搜索框架的卷积神经网络探测器,旨在解决区域信息浪费和效率与准确性之间的权衡问题,通过将图像映射为对象的概率分布,该模型以更少的计算量提供更丰富的输出,并在 FDDB 上进行了一系列实验证明了该模型的可靠性、效率和解析性。
Aug, 2018
我们提出了一种新颖的 “预训练、适应和检测” 方法,通过引入大型预训练模型,将从大量多模态数据中学习到的丰富知识直接转移到伪装对象检测任务中,使用轻量级并行适配器调整下游伪装对象检测任务的特征,通过在源任务上进行多任务适配器初始化和在目标任务上进行多任务调整,显著提高了我们模型的泛化能力。
Jul, 2023
使用预训练的深度神经网络在少量可用数据中实现强大结果,针对密集问题如物体检测,学习图像中的局部信息而非全局信息被证明更有效。为了解决这个问题,我们对最近在社区中表现良好且具有生成多样化目标提案特性的基于 Transformer 的物体检测器感兴趣,在此工作中,我们提出了一种利用该特性的新型无监督整体预训练方法 ProSeCo,使用检测器生成的大量目标提案进行对比学习,从而允许使用较小的批量大小,并结合物体级特征学习图像中的局部信息。为了改善对比损失的有效性,在选择正样本时引入物体位置信息以考虑多个重叠的目标提案。当重用预训练的骨干网络时,我们主张在骨干网络和检测头之间一致学习局部信息。我们证明了我们的方法在使用较少数据进行物体检测的无监督预训练中优于现有方法,在标准和新颖的基准测试中表现出色。
Oct, 2023
Camouflaged object detection faces challenges, and this research proposes an adversarial training framework, Camouflageator, to generate more camouflaged objects and improve the detection. They also introduce ICEG, a novel COD method that utilizes internal coherence and edge guidance for better segmentation results. Experimental results show that ICEG outperforms existing detectors, and Camouflageator is flexible in improving various COD detectors, achieving state-of-the-art COD performance.
Aug, 2023
本文提出了一种名为 TD-CEDN 的深度轮廓检测算法,该算法采用自上而下的完全卷积编码器 - 解码器网络,并在多尺度、多级特征学习以及前向传播阶段获得原始特征图,然后采用自下而上的方式进行解码,并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测,从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。
May, 2017
本文介绍了一种基于对抗神经网络(Adversarial Neural Network)的 Robust Detector,采用了 Adversarial Image Discriminator 和 Consistent Features with Reconstruction 等方法,大大提高了在 PASCAL VOC 和 MS-COCO 数据集上物体检测模型在对抗干扰下的鲁棒性。
Jul, 2022
本研究提出了一种基于 CPD 框架的新型显著性物体检测方法,通过构建部分解码器,丢弃低分辨率因素以促进加速,在深层次集成特征的基础上,利用生成的显著图来精调骨干网络的特征,从而显著提高显著性目标检测的准确性和速度。
Apr, 2019
提出 Deeply Supervised Object Detectors(DSOD)框架,实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督,DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果,并使用更小的模型参数。
Sep, 2018
通过引入原型局部特征作为对象检测的扩展,该论文介绍了一种解释和可视化检测变换器行为的方法,该方法能对模型关注的图像位置进行突出显示,并提供模型关注的语义内容的有限洞察力。
Feb, 2024
本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD,通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心,实现对 CUB200-2011 数据集进行优秀的监测和分类性能,同时不需要在测试期间给定边界框或计算真假部分。
Nov, 2014