Aug, 2024

联合神经网络用于一次性物体识别和检测

HTML
PDF
TL;DR本文针对一次性物体识别和检测任务的挑战，提出了一种新颖的联合神经网络方法。该方法能够在训练过程中未见的类别中执行物体识别和检测，取得了在MiniImageNet数据集上61.41%的准确率和在COCO数据集上训练以Pascal VOC数据集测试的47.1% mAP。通过有效对比查询和目标输入的图像对，该方法在不依赖于之前类别训练的情况下，识别相同查询类别的模式。
发现论文，激发创造
  • 使用深度神经网络实现可扩展的物体检测

    该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在VOC2007和ILSVRC2012上获得了具有竞争力的识别性能。

    Dec, 2013

  • CoupleNet：将全局结构与局部部分相结合用于目标检测

    本研究提出了一种名为CoupleNet的新型全卷积网络，通过耦合全局结构与局部部分进行目标检测，其中一个分支采用位置敏感RoI池化来捕获对象的局部信息，而另一个分支则采用RoI池化来对全局和上下文信息进行编码。实验证明该方法具有良好的效果。

    Aug, 2017

  • 基于记忆匹配网络的单张图片识别

    本文提出了Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。

    Apr, 2018

  • 一次性条件目标检测的比较网络

    本文提出了一种新的一次检测条件概率问题的比较网络框架（ComparisonNet）， 该框架利用Siamese网络提取查询和目标图像特征，并引入两阶段检测器来比较查询和目标特征以实现最优非线性条件概率。实验证明，该方法在Fashion-MNIST和PASCAL VOC的数据集上均取得了最先进的性能。

    Apr, 2019

  • 注意力RPN和多关系检测器的小样本目标检测

    本文提出一种新的few-shot目标检测网络，使用少量注释的示例检测未见过的物体类别，并通过Attention-RPN，Multi-Relation Detector和Contrastive Training策略来抑制背景误检。作者还贡献了一个包含高品质注释的1000个物体类别的新数据集，是针对few-shot目标检测的首批数据集之一。该方法在不同数据集上取得了新的最佳性能表现，具有广泛的潜在应用。

    Aug, 2019

  • 无微调一次性目标检测

    本研究中我们试图通过应对一次训练样例被限制为1的单独目标检测问题，丰富目标检测类别，并引入了匹配-FCOS网络和结构感知关系模块等模型以及新颖的训练策略进行探究，旨在最终消除对支持图像的微调需要，结果在多个数据集上始终超过同类现有技术，进而分类属于基于深度学习和 Faster R-CNN 的无锚点检测技术。

    May, 2020

  • 合作式RPN改进少样本物体检测

    使用多个不同但相互协作的区域建议网络，可以提高在非常少量训练数据的情况下学习检测图像中对象的准确性。

    Nov, 2020

  • 端到端目标检测的重要因素是什么？

    本篇论文提出了一个新的目标检测算法，通过引入新的匹配成本-分类成本，解决了之前检测器中的一对多问题，并引入了得分差来探讨匹配成本的影响，最终证明了端到端的目标检测在拥挤场景下的优势。

    Dec, 2020

  • 提高少样本目标检测的新类别识别

    利用半监督学习技术，通过自动定位和使用未标记的新对象提高少样本目标检测的性能，并通过新的区域建议网络策略提高目标检测模型的感知能力，取得了超过现有最先进方法的性能。

    Mar, 2023

  • 增强的少样本目标检测的改进区域建议网络

    我们开发了一种半监督算法，通过检测和利用未标记的新颖对象来改善少样本目标检测的性能。我们的方法使用层次化三元分类算法以区分这些对象，并通过改善区域提议网络的感知能力来提高目标检测模型对大型对象的检测性能。实验结果表明，我们的方法是有效的，并且优于现有的少样本目标检测方法。

    Aug, 2023