Apr, 2024

ConsistencyDet: 具有一致性模型去噪范式的稳健物体检测器

PDF
TL;DR通过利用一种自洽模型的创新去噪概念，我们引入了一个被称为 ConsistencyDet 的新框架，用以将目标检测作为一个去噪扩散过程来表述。在训练阶段中，ConsistencyDet 使用从地面实况注释衍生的噪声注入框开始扩散序列，并调节模型执行去噪任务。综合评估表明，ConsistencyDet 在性能指标方面超越了其他领先的检测器。
发现论文，激发创造
  • DiffusionDet: 目标检测的扩散模型

    DiffusionDet 是一种将对象检测作为从噪声框到对象框的去噪扩散过程的新框架，其在训练阶段通过对象框从地面实况框扩散到随机分布，模型学习将该过程反转，在推断阶段，模型以渐进方式将一组随机生成框细化为输出结果，使用随机框作为对象候选框有利于解决对象检测问题，并且该问题可以通过生成方法来解决。

    Nov, 2022

  • 3DifFusionDet：基于鲁棒性激光雷达与相机融合的三维物体检测的扩散模型

    该研究提出了 3DifFusionDet 框架，将 3D 目标检测视为从噪声 3D 框到目标框的去噪扩散过程，并通过特征对齐策略和渐进改进方法，在 LiDAR-Camera 融合中取得了显著贡献。实验证明，3DifFusionDet 在 KITTI 上的表现优于前期的经典检测器。

    Nov, 2023

  • 物体检测的语义信息

    我们展示了在复杂交通场景中将语义一致性的概念和知识感知的重新优化方法应用于目标检测问题。此外，我们介绍了一种从具有实例级注释的图像数据集中提取知识图谱的新方法，并将该知识图谱与现有的语义一致性模型集成。将这种新型混合知识图谱和频率分析和外部知识图谱作为语义信息的源与 Faster-RCNN 和 DETR 目标检测模型的现有方法结合，我们研究了知识感知的重新优化对所研究的模型和方法的效果。我们发现，在所有模型和方法的组合中，使用这种方法可以实现有限但一致的准确性和 / 或召回率的提升。

    Aug, 2023

  • 基于扩散的随机盒子三维物体检测

    Diff3Det 使用扩散模型进行 3D 物体检测的提案生成，通过将检测框视为生成目标，在训练过程中将物体框从真实框扩散到高斯分布，并学习解码器逆转这个噪声过程。推理阶段，模型逐渐将一系列随机框细化为预测结果，在 KITTI 基准测试上表现出有希望的性能，相较于经典的基于锚点的 3D 检测方法。

    Sep, 2023

  • 伪装目标检测的扩散模型

    本研究提出了一种基于扩散的伪装目标检测框架（diffCOD），该框架将伪装目标分割任务视为从噪声掩码到目标掩码的去噪扩散过程，并采用模型学习来逆转这一噪声处理过程。通过将输入图像先验编码和集成到去噪扩散模型中来加强去噪学习，同时使用注入注意力模块（IAM）通过交叉注意机制将从图像中提取的条件语义特征与扩散噪声嵌入相互作用以增强去噪学习。实验结果表明，在四个广泛使用的伪装目标检测基准数据集上，该方法相较于其他 11 种最先进的方法，尤其在伪装目标的纹理细分割上取得了有利的性能。

    Aug, 2023

  • Diffusion-SS3D：半监督三维物体检测的扩散模型

    通过扩散模型来提高伪标签的质量，以实现半监督三维物体检测，改进了现有方法的性能，获得了最先进的结果。

    Dec, 2023

  • 利用持续对比学习在黑暗中观测物体

    该研究论文探讨了在智能相机系统中，如何利用合成图像进行对不同成像条件下目标检测的训练，提出了一种对比学习的方法，并使用持续学习的惩罚机制缓解了重要信息丢失的问题，该方法在夜间目标检测方面表现出色。

    Dec, 2021

  • 基于一致性的目标检测主动学习

    提出了一种基于一致性的主动学习方法，即 “CALD”，该方法与现有的分类型主动学习方法不同，因其将目光投向了面向目标检测任务下的个性化挑战，并旨在通过在原始数据和增强数据之间探索一致性来提高任务模型的性能。CALD 方法在目标检测领域取得了优异的表现，特别是在 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 数据集上，相比以前的方法，平均 mAP 分别提高了 2.9 / 2.8 / 0.8。

    Mar, 2021

  • DiffYOLO：基于 YOLO 和扩散模型的抗噪声目标检测

    利用 DiffYOLO 框架提取特征图以增强已训练模型，从而使在高质量数据集上微调 YOLO 模型并在低质量数据集上进行测试成为可能。该框架不仅能在嘈杂的数据集上提升性能，还能在高质量测试数据集上证明检测结果。

    Jan, 2024

  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020