ICLRMar, 2024

特征丢弃时的边界框稳定性反映了检测器在不同环境下的泛化能力

PDF
TL;DR通过对边界框的稳定性进行评估，可以预测目标检测的准确性，从而在没有测试真值的情况下提高检测器的泛化能力。
bounding boxesdetector generalization abilitybox stability scoreintersection over unionmean average precision
发现论文，激发创造
  • 直接优化 IoU 以进行边界框定位

    本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

    Apr, 2023

  • 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

  • 获取定位置信度以实现准确目标检测

    本文提出了一种 CNN 方法，名为 IoU-Net，以预测物体检测边界框的 IoU 值，使得模型具有定位置信度，进而提高非极大值抑制算法（NMS）的精度，在 MS-COCO 数据集上实验表明 IoU-Net 方法适用于多种先进的物体检测器且有效。

    Jul, 2018

  • 使用 Fitness NMS 和有界 IoU Loss 来提高对象定位

    通过引入 Fitness NMS 和基于 IoU 的 bounding box 回归损失，结合 RoI 聚类，改进了 DeNet 的图像目标检测，显著提升了 Mean Average Precision（MAP），在 MSCOCO 数据集中 MAP 可达 33.6%@79Hz 和 41.8%@5Hz。

    Nov, 2017

  • SIoU Loss: 边界框回归的更强大学习

    本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

    May, 2022

  • ObjectBox: 从中心到盒子的基于锚点的无锚点目标检测算法

    ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

    Jul, 2022

  • AABO: 基于贝叶斯子采样的适应锚框优化目标检测

    本文研究了自动优化目标检测锚点的问题，提出了一种结合贝叶斯优化和子采样方法的新型超参数优化方法 AABO，已在不同的检测器和数据集上进行了实验，并证明了通过优化锚点配置可提高 1.4% 至 2.4% 的最大平均精度（mAP），如将 Mask RCNN 从 40.3% 提高到 42.3%，HTC 检测器从 46.8% 提高到 48.2%。

    Jul, 2020

  • FCOS：一种简单而强大的无锚点目标检测器

    在计算机视觉中，我们提出了一种完全卷积的一阶段对象检测器（FCOS），以像语义分割等其他密集预测问题的方式解决像素级预测对象检测问题，该检测器不需要预定义的基础框，并且避免了与基础框计算相关的超参数，非常简单有效。

    Jun, 2020

  • Shape-IoU：更准确的考虑边界框形状和尺度的度量标准

    提出了一种关注边界框自身的形状和大小的边界框回归方法，通过 Shape IoU 方法计算损失，有效改进了检测性能，并在不同的检测任务中表现出色。

    Dec, 2023

  • FoveaBox：超越基于 Anchor 的目标检测器

    本文提出了 FoveaBox 框架，一种准确，灵活且完全无锚点的物体检测方法，通过预测类别敏感的语义图和每个位置的类别不可知的边界框，避免与锚相关的计算和超参数问题。与所有先进的物体检测器不同，FoveaBox 可以直接学习物体的存在可能性和边界框坐标，因此具有更好的性能和通用性。

    Apr, 2019