Dec, 2023

MatchDet：图像匹配与目标检测的协同框架

PDF
TL;DR本文提出了一种名为 MatchDet 的协作框架，用于图像匹配和物体检测，通过三个新颖模块实现两个任务的协作学习，包括权重空间注意力模块（WSAM）用于检测器，加权注意力模块（WAM）和框过滤器用于匹配器。实验证明我们的方法在新的基准数据集 Warp-COCO 和 miniScanNet 上有效，并取得了竞争性的改进。
发现论文，激发创造
  • DetMatch：联合二维与三维半监督目标检测中两位教师优于一位

    本文提出了一个灵活的框架 DetMatch，用于 2D 和 3D 模态的联合半监督学习，通过识别两个传感器检测到的对象，生成更干净、更健壮的伪标签，进一步利用 RGB 图像的更丰富的语义来矫正不正确的 3D 类别预测。该方法在 KITTI 和 Waymo 数据集上取得了比强大的半监督学习方法更好的效果。

    Mar, 2022

  • CoDet：开放词汇目标检测的共现导向区域 - 词对齐

    利用共现对象发现的方法，CoDet 克服了对预对齐视觉 - 语言空间依赖的限制，通过图像标题中提及共享概念的图像分组，发现并与共享概念对齐共现对象，从而实现了对象级别的视觉 - 语言表示，具有卓越的性能和可扩展性。

    Oct, 2023

  • 增强 DETR 收敛和多尺度特征融合的语义对齐匹配

    本文提出 Semantic-Aligned-Matching DETR++（SAM-DETR++）算法，通过在同一特征嵌入空间中投影对象查询和编码图像特征以便更容易地匹配具有类似语义的对象。此算法有效地融合了多尺度特征，加速了 DETR 的收敛速度并提高了检测精度，拥有成为现有 DETR 收敛解决方案完美补充的潜力。

    Jul, 2022

  • 使用双匹配注意力网络进行在线多目标跟踪

    本文提出了一种在线多目标跟踪算法，该算法将单目标跟踪和数据关联方法的优点融合在统一框架中，以处理嘈杂的探测和目标之间频繁的交互，并在多目标跟踪基准数据集上展示出较好的性能。

    Feb, 2019

  • COMNet: 弱监督语义分割中的共现匹配

    本文提出了一种新颖的 Co-Occurrent Matching Network（COMNet），可以提升 CAM 的质量，并强制网络关注整个目标的各个部分，从而有效提高基线模型的性能并达到最新的最佳性能。

    Sep, 2023

  • 基于分割协作的弱监督目标检测

    本文提出了一种新型的端到端弱监督检测方法，将引入的生成对抗分割模块与传统检测模块相互作用，充分利用弱监督定位任务的互补解释，即检测与分割任务，形成更全面的解决方案，从而获得更精确的对象边界框。

    Apr, 2019

  • 条件图像匹配的协同关注

    提出了一种新的方法来确定自然环境下图像对之间的对应关系，在大的光照变化、视角变化、语境和材料下进行。该方法引入了一种空间注意力机制和一个独特性得分，能够改善对这些因素变化下的对应关系的检测，并在许多任务中实现了最先进或具有竞争力的结果。

    Jul, 2020

  • 联合弱监督学习语义匹配和物体共分割：展示、匹配和分割

    我们提出了一种联合匹配和分割图像集合中同一类别的对象实例的方法，这种方法利用了两个任务的互补性，通过从语义匹配得到的估计密集对应场来提供对象共分割的监督，并且从对象共分割得到的预测对象掩码来改善语义匹配的性能，我们的算法在五个基准数据集上表现优异。

    Jun, 2019

  • 弱监督目标检测的协作学习

    本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

    Feb, 2018

  • CoTDet：专注于任务驱动的物体检测的能力知识引导

    本文提出了基于任务驱动的物体检测方法，通过探索基本意义而非物体类别来提取关键属性，并使用多级思维链激励法从大规模语言模型中提取与任务、物体示例和关键视觉属性相关的知识。进一步，我们提出了一种知识条件检测框架 CoTDet，有效利用知识来增强物体识别和定位，并得到支持物体检测的合理解释。实验证明，我们的 CoTDet 方法在性能上显著优于当前最先进的方法（提升 15.6 个方框 AP 值和 14.8 个掩膜 AP 值）。

    Sep, 2023