Jun, 2024

使用 Transformer R-CNN 的去噪 FPN 实现微小目标检测

PDF
TL;DR提出了一种新的框架，DeNoising FPN with Trans R-CNN (DNTR)，用于改进微小目标检测的性能，通过引入 DN-FPN 模块和基于 Transformer 的 Trans R-CNN 检测器，结合对比学习和自注意力机制，实现了在 AI-TOD 数据集和 VisDrone 数据集上至少 17.4％和 9.6％AP 值的性能提升。
tiny object detectiongeoscienceremote sensingdenoising fpn with trans r-cnnapvt
发现论文，激发创造
  • DETR++：驯服您的多尺度检测 Transformer

    本文介绍了作者提出的一个新的检测架构 DETR++，在目标检测方面的性能上优于现有基线，并提出了一种 BiFPN 方法，最大限度地提高了多尺度特征的准确性。

    Jun, 2022

  • 高噪声环境下航空图像中的稳健微小目标检测

    远程感知图像中微小目标的精确检测仍然是一个重要的挑战，因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究，并提出了一种去噪微小目标检测器（DN-TOD），其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性，显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。

    Jan, 2024

  • 通过信息增强和自适应特征融合的方式，在 DETR 中进行小物体检测

    本研究针对小物体检测中 RT-DETR 模型的准确性不足提出了两个关键改进：首先，引入细粒度路径增强方法以提供更多详细信息来精确定位小物体；其次，采用自适应特征融合算法来有效整合不同尺度的特征信息，从而提高模型对不同尺度目标的检测准确率。

    Jan, 2024

  • 使用 Transformer 进行端到端的目标检测

    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

  • LR-FPN：利用位置优化特征金字塔网络增强遥感物体检测

    提出了一种新颖的位置精化特征金字塔网络（LR-FPN），以增强浅层位置信息的提取和细粒度上下文交互。通过实验验证，LR-FPN 在遥感目标检测方面优于现有的方法。

    Apr, 2024

  • FPN 中小目标检测的有效融合因素

    本文分析了在小目标检测过程中，FPN 相邻层之间的自上而下连接产生的双向影响，并提出了一个新的概念 “融合因子”，用于控制深层传递给浅层的信息，以适应小目标检测。我们使用统计方法估计了特定数据集的有效融合因子值，从而在 TinyPerson 和 Tiny CityPersons 数据集上获得显著的性能提升。

    Nov, 2020

  • PnP-DETR：基于 Transformer 的高效视觉分析

    本研究提出了一种新的 PnP 采样模块，将其与 transformer 模型结合，构建了一个端对端的 PnP-DETR 体系结构，从而在保证效率的同时具有更大的灵活性。

    Sep, 2021

  • AugFPN: 改进目标检测多尺度特征学习

    本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

    Dec, 2019

  • 医学物体检测中的检测变形器的应用

    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

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017