CVPRApr, 2024

稀疏半 DETR: 稀疏可学习的查询用于半监督物体检测

PDF
TL;DRSparse Semi-DETR 是一种基于 Transformer 的端到端半监督目标检测解决方案，通过引入查询精化模块和可靠伪标签过滤模块来解决 DETR-based SSOD 框架中对象查询质量不准确和重叠预测的问题，大大提高了对小型和部分遮挡对象的检测能力，并在 MS-COCO 和 Pascal VOC 目标检测基准测试中实现了显著改进。
detr-based ssodobject detectionsemi-supervised learningquery refinement modulereliable pseudo-label filtering module
发现论文，激发创造
  • Semi-DETR: 基于检测 Transformer 的半监督目标检测

    我们提出了 Semi-DETR，一个基于 transformer 的端到端半监督物体检测器，通过阶段混合匹配策略、跨视图查询一致性方法和基于代价的伪标签挖掘模块解决 DETR 中存在的问题，并在 COCO 和 Pascal VOC 基准数据集上的所有 SSOD 设置中进行的实验表明，我们的方法优于所有现有方法。

    Jul, 2023

  • Sparse DETR：可学习稀疏性的高效端到端目标检测

    Sparse DETR 是第一个使用 Transformer 架构的完整目标检测器，其只更新预期被解码器引用的令牌，从而提高模型性能，使性能优于 Deformable DETR。

    Nov, 2021

  • DQ-DETR：用于微小物体检测的具有动态查询的 DETR

    我们提出了一种名为 DQ-DETR 的简单而有效的模型，其中包括三个不同的组件：分类计数模块、计数引导的特征增强和动态查询选择，以解决 DET-R 类型方法在检测微小对象方面的挑战。DQ-DETR 使用分类计数模块的预测和密度图动态调整物体查询的数量，并改善查询的位置信息。我们的模型 DQ-DETR 在以微小对象为主的 AI-TOD-V2 数据集上实现了 30.2% 的最优 mAP，优于以前基于 CNN 和 DET-R 类型方法的性能。

    Apr, 2024

  • MS-DETR: 使用混合监督实现高效的 DETR 训练

    改进了 DETR 训练效率，通过使用混合的一对一和一对多监督来明确监督候选生成过程，而无需额外的解码器分支或对象查询。

    Jan, 2024

  • 解耦的 DETR：空间分离定位和分类以改善端到端对象检测

    通过空间解耦 DETR（SD-DETR）设计方案和任务感知查询生成模块，以及通过引入对齐损失的新颖设计，我们在 MSCOCO 数据集上展示了在目标检测任务中 DETR 性能的显著提升，例如我们将 Conditional DETR 的性能提高了 4.5 AP。

    Oct, 2023

  • 高效 DETR: 使用密集先验改进端到端目标检测器

    本文提出使用密集先验初始化对象容器的方法，利用 Efficient DETR 同时利用密集检测和稀疏集检测，实现只有 3 个编码器层和 1 个解码器层的端到端物体检测，提高了算法效率和性能。在 MS COCO 数据集上的实验证明了该算法在拥挤场景下仍能稳定工作，并取得最先进算法相近的成绩，且在 CrowdHuman 数据集上表现优异。

    Apr, 2021

  • 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

  • 解耦 DETR 用于少样本目标检测

    本文提出了一种改进的 FSOD 模型来解决样本不均衡和特征传播不足的问题，通过解耦基类和少样本类的参数以及引入编码器和解码器之间的跳跃连接，构建一个统一解码器模块，能够动态融合解码器的中间层作为输出特征，实验结果显示，在 PASCAL VOC 和 MSCOCO 等常用数据集上，我们的模型在微调和元学习范式中稳定提升了 5% 到 10%，并且超过了近期工作的最高得分。

    Nov, 2023

  • 基于自我监督学习的增量式少样本物体检测

    该文提出了一种使用 DETR 目标检测器的自我监督和微调来进行增量小样本物体检测的方法，在识别新类别的同时不会遗忘基础类别，并使用知识蒸馏实现增量微调。

    May, 2022

  • SimDETR: DETR 的简化自监督预训练

    使用 DETR 为基础的目标检测器，通过无监督预训练和利用大量未标记数据来提高检测器的性能，采用更丰富、基于语义的初始提议、基于聚类的物体伪标签的判别性训练以及自我训练等三个关键因素，显著提升了 DETR 在完整和低数据情况下的性能，并且证明能够在复杂图像数据集上从头开始预训练，直接实现无监督表示学习。

    Jul, 2023