Nov, 2023

利用数据集亲和性预测在目标检测中评估训练数据

PDF
TL;DR通过在标准目标检测流程中引入数据源预测模块，我们提出了一种方法来评估数据汇总的有效性，并展示了所谓的数据亲和性得分在从异构车辆数据集中自动选择样本时的好处。结果显示，即使在训练样本显著稀疏的情况下，目标检测器仍能保持检测准确性。
发现论文，激发创造
  • Detection Hub: 基于语言嵌入的查询适应统一物体检测数据集

    本研究提出一种新的设计（称为 Detection Hub），它是数据集感知并具有类别对齐功能，通过学习一种数据集嵌入来自适应对象查询以及检测头中的卷积核，从而既减轻了对目标检测的数据集不一致性，又提供了一致的指导，以便检测器跨多个数据集学习。实验表明，检测中心进一步在各种数据集的 UODB 基准测试中实现了 SoTA 性能。

    Jun, 2022

  • 使用混合容量模型集成学习模型和排除数据集置偏

    本文提出了一种检测和忽略数据集特异性模式的方法，采用高低容量模型的集成训练，以自动捕捉相对浅层的相关性，并确保两个模型学习不重叠的方法，以利于更好地泛化模式。

    Nov, 2020

  • 使用合成数据增广消除数据集偏差

    本文探讨使用有针对性的合成数据增强 - 结合游戏引擎模拟和 sim2real 风格转移技术 - 填补视觉任务的真实数据集中的空缺。在三种不同的计算机视觉任务中（停车位检测，车道检测和单 ocular 深度估计），实证研究一致表明，将合成数据与真实数据混合训练能够显著提高交叉数据集的泛化性能。

    Apr, 2020

  • 大规模稀疏标注对象检测的采样技术

    本研究提出了 part-aware sampling 方法，利用人类直观感知对象之间的层次关系，解决 Open Images Dataset 数据集不完整的问题，并在 Google AI Open Images 竞赛 2018 中获得了第一和第二名。

    Nov, 2018

  • 目标检测与少数类共识关注

    使用修改的共识焦点和基于源置信度的投票系统，该研究提出了一种半监督和长尾目标检测方法，通过在目标标签空间中选择各个类别的相关性，放宽了少数类别边界框的抑制，从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框。

    Jan, 2024

  • 大数据神话：使用扩散模型进行数据集生成以训练深度检测模型

    本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架，并用于对象检测模型的训练，研究结果表明，在苹果果园检测中，合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似，这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。

    Jun, 2023

  • 基于注意力原型的无源迁移学习 3D 物体检测

    本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

    Nov, 2021

  • 评估基于采样的不确定性技术在目标检测中的合并策略

    研究了不同的关联和合并策略对神经网络物体检测中表观不确定性的影响，发现正确选择亲和 - 聚类组合可以显著提高分类和空间不确定性估计的有效性以及所得到的物体检测性能。

    Sep, 2018

  • 简易多数据集检测

    本文提出一种简单的方法，使用所有数据集上的标签训练一个统一的多数据集物体检测器，它可以自动整合数据特定输出到一个通用的语义分类体系中，避免了手动分类调和的步骤，且实验表明，该流程可以推广到新的未见数据集，而无需再次针对它们进行微调。

    Feb, 2021

  • 标签并不平等：训练物体检测的标签成本合理化

    本文提出了一个统一的主动学习框架，并考虑到了检测器的不确定性和鲁棒性，从而保证了网络在所有类中的良好表现，并利用自动标注抑制潜在的分布漂移，提高了模型的性能。实验表明，我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法，在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。

    Jun, 2021