Nov, 2023

再探基于提案的物体检测

PDF
TL;DR该研究提出了一种基于相交区域回归的方案，替代了常用的目标检测中预测最大重叠的策略，通过围绕物体的候选框组合回归的相交区域的并集来得出最终的预测，该方法对检测流程做出了最小的改变并可用于任何现有方法，对经典的目标检测和实例分割方法均有直接的改进。
object detectionproposalsclassificationregressionintersection-based regression
发现论文，激发创造
  • 检测建议有多好？

    对当前十种对象提案方法及四种基准方法进行系统分析，发现现有方法存在共同的缺点并提供选择最适合不同场景的方法的洞见。

    Jun, 2014

  • 学习分割物体候选区

    本文提出一种新的物体检测方法，利用基于判别卷积神经网络的方法生成物体提案，得到高比例正确检测结果，且不需要以往低层次分割技术。

    Jun, 2015

  • 可扩展的高质量目标检测

    本研究使用深度学习的 MSC-MultiBox 方法，在 ILSVRC 2014 数据集上取得了 $0.5$ 的 mAP 表现，明显优于其前任 MultiBox 方法，同时还能在减小提议数量的情况下提高边界框召回率。

    Dec, 2014

  • 半监督物体检测的提议学习

    本文针对具有生物医学背景的图像分类问题，提出了基于遗传算法的医学图片特征选择模型，在多个数据集上均取得了优秀的分类效果。

    Jan, 2020

  • 有效的检测提案的要素是什么？

    该论文通过分析 12 种提案方法及 4 种基线，评估了它们对物体识别精度、重复性以及物体本地化准确性的影响，并提出了一个新的指标 —— 平均召回率，该指标同时奖励高召回率和良好的本地化准确性，并与检测性能惊人地相关。该论文的发现为选择和调整提案方法提供了指导和度量标准。

    Feb, 2015

  • 学习开放世界物体提议，不需学习分类

    本文提出一种基于 Object Localization Network (OLN) 且不需要分类器的目标定位方法，创新性地实现了目标定位的普适性并在交叉数据集上验证了其有效性。

    Aug, 2021

  • 多阶段对象检测，使用组递归学习

    本文提出了一种基于 EM-like group recursive learning 和 multi-stage architecture 的新型物体检测方法，通过引入周围 proposals 的上下文信息来迭代地提升物体 proposals 的准确性，并结合弱监督物体分割和基于区域的物体检测方式以全方位地利用分割特征从而提高检测精度，该算法在 PASCAL VOC2007 和 VOC2012 数据集上的得分分别高达 78.6% 和 74.9%，显著优于许多现有算法。

    Aug, 2016

  • 面向大规模图像集合的无监督多目标发现

    该论文提出了一个基于无监督学习的物体发现方法，其中包括了基于显著性的边界提取算法以及采用层次结构与两阶段策略提高发现效率。通过使用小型随机图片集和整个图片集合，该方法能够发现每张图片中的多个目标，实现了对面向真实大规模图像数据集的无监督图像解释的重要的一步。

    Jul, 2020

  • Focaler-IoU：更聚焦的交并比损失函数

    通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

    Jan, 2024

  • 实现尺度不变性和位置敏感的区域建议网络

    提出了一种基于网络架构设计的物体提议算法，该算法具有许多优势，例如对物体大小的范围从非常小到非常大的尺度具有平移不变性，具有平移变性的限制框回归，具有大的有效感受野来捕捉全局上下文等，可以显著地提高提议平均召回率，并且实时性能也非常好。

    Jul, 2018