Jul, 2024

Plain-Det: 一个简单的多数据集物体检测器

HTML
PDF
TL;DR最近大规模基础模型的进步引起了训练高效大视觉模型的广泛兴趣。本文提出了Plain-Det，它具备灵活性以适应新的数据集，对各种数据集具有强大性能、高效的训练效率和与各种检测架构的兼容性。通过利用Plain-Det辅助Def-DETR，在COCO上实现了51.9的mAP，与当前最先进的检测器相匹配，并在13个下游数据集上进行了广泛的实验，展现了很强的泛化能力。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 具有全局聚合的DETR用于跨域弱监督物体检测

    本文提出了DETR-GA，一种基于DETR的交叉域弱监督目标检测方法，它同时进行实例级别和图像级别的预测，利用强监督和弱监督相互促进，利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。

    Apr, 2023

  • COCO-O：自然分布偏移情况下的目标检测器基准测试

    通过引入基于COCO的COCO-O测试数据集，研究了100多种现代目标检测器的鲁棒性效果，并发现了各种架构设计、数据增强和预训练技术对鲁棒性的影响。

    Jul, 2023

  • 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

  • 重新审视 DETR 目标检测的预训练方法

    通过对最新的自我监督训练方法进行实验，发现之前的代表性自我监督方法无法提升强DET-based方法在完整数据范围上的性能，但通过结合更准确的盒子预测器和Objects365基准可以显著提高后续实验的结果，在COCO验证集上实现了AP=59.3%的强大目标检测结果，超过了H-Deformable-DETR + Swin-L的1.4%；此外，通过合成的预训练数据集（LLaVA和SDXL的组合）进行预训练，可以显著提高目标检测性能，并且在未来扩展合成预训练数据集方面有巨大优势。

    Aug, 2023

  • 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

  • 简化面向目标检测的无源域自适应：有效自训练策略和性能研究

    该论文研究领域自适应的目标检测，提出了几种简化的方法来替代复杂的方法，同时通过批量标准化层和伪标签的训练等方式，实现了与以往方法相媲美的性能。

    Jul, 2024