RotaTR:稠密和旋转物体的检测变换器
本文提出基于 Transformer 的新方法 O²DETR,实现了复杂的有方向物体检测,无需旋转锚点,其性能表现明显优于 Faster R-CNN 和 RetinaNet。
Jun, 2021
本文提出了一个 RoI Transformer 模型用于解决在航拍图像中检测旋转目标时,水平建议区域(HRoI)和旋转建议区域(RRoI)之间可能会引入不匹配的问题。该模型具有轻复杂度和高性能,提出的模型在两种常见而具有挑战性的遥感数据集 DOTA 和 HRSC2016 上表现出了最先进的性能。
Dec, 2018
本文针对 DET 向有向物体检测的扩展做出首例有力的 DINO 基线,并提出了一种用于缓解重复预测的简单成本和匈牙利匹配的新型去噪策略,该模型的性能在 DOTA-v1.0 /v1.5 /v2.0 和 DIOR-R 基准测试中均达到了最先进水平。
May, 2023
基于 Transformer 的目标检测器 (DETR) 在机器视觉任务中表现出显著性能,但其在处理遮挡和对抗扰动等不同图像干扰方面存在问题。我们通过多种实验和将 DETR 与基于卷积神经网络 (CNN) 的检测器(如 YOLO 和 Faster-RCNN)进行基准测试来研究这个问题。我们发现 DETR 在处理遮挡图像的信息丢失干扰方面表现良好。然而,在涂有对抗标记的图像上,网络需要产生一组新的不必要的键、查询和值,导致网络方向错误。与图像损坏基准测试中 YOLOv5 相比,DETR 的性能也较差。此外,我们发现 DETR 在进行预测时严重依赖于主要查询,导致查询之间的贡献不平衡,因为主要查询接收大部分梯度流。
Oct, 2023
本文提出了一种端到端的精调式单阶段旋转物体检测器,通过从粗粒度到细粒度的渐进式回归方法来快速准确检测多角度物体,并设计了特征细化模块和近似 SkewIoU 损失函数以提高检测精度。
Aug, 2019
本研究探讨了使用 DEtection TRansformer(DETR)检测医学成像中可疑区域的可行性,研究表明这种方法能够与甚至优于当前方法进行匹配,且无需依赖锚点或手动启发式设计等方式来检测对象。
Jun, 2023
本文提出了一种名为 ARS-DETR 的纵横比感知的方向对象检测器,其中提出了一种新的角度分类方法 AR-CSL,设计了一个旋转可变形注意力模块来消除区域特征和采样点之间的不对齐,采用一个根据纵横比实施的动态权重系数来计算角度损失,并在多个具有挑战性的数据集上经过全面实验,表明我们的方法在高精度定向目标检测任务中具有竞争性能。
Mar, 2023
Deformable DETR 提出了一种改进的 Transformer 注意力模块,只关注于围绕参考点的一小集采样点,能够更好地实现物体检测,尤其是在小物体上,并在 COCO 基准测试上得到了有效的实验结果。
Oct, 2020
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
本篇论文详细回顾了二十一篇相关的论文,讨论了最近在 DETR 中基于 Transformer 方法的研究进展,并涵盖了最新的改进,包括骨干网络改造,查询设计和注意力优化。同时,我们还比较了所有检测变压器的性能和网络设计。
Jun, 2023