Aug, 2024

基于点监督的物体计数与定位的密集中心方向回归

HTML
PDF
TL;DR本研究针对基于点监督的学习中由于标注与未标注像素的不平衡所导致的物体计数与定位问题，提出了一种新颖的CeDiRNet方法。该方法通过密集回归指向最近物体中心的方向，提高了每个中心点的支持，从而在六个不同数据集上展现出优于现有方法的性能，具有显著的应用潜力。
发现论文，激发创造
  • 使用点击监督训练目标分类器

    本文提出了一种通过点击目标物体的中心点来标注边界框的标注方法，结合现有的弱监督目标定位技术，可在所有训练图像上联合定位目标边界框，与传统手动标注方法类似的定位出高质量目标检测器，标注时间可减少9-18倍。

    Apr, 2017

  • 基于点监督的位置计数方法——Blob定位

    本研究提出了一种基于检测的目标计数方法，利用点级标注构建新型损失函数，无需预测物体的大小和形状，取得了比传统回归法更好的效果，且在多个数据集上均创下新的最优结果

    Jul, 2018

  • 物件作为点

    本文提出了一种基于中心点检测的方法，该方法使用关键点估计来找到物体的中心点，并回归到所有其他物体属性，例如大小，3D位置，方向和姿态，实现了较好的速度和精度。

    Apr, 2019

  • RepPoints：物体检测中的点集表示

    本文提出了一种名为RepPoints的方法，它采用一组样本点作为对象的更精细的表示，不需要使用锚点来采样边界框空间，并在检测任务中获得与目前最佳方法相同的效果。

    Apr, 2019

  • 点集锚点用于目标检测、实例分割和姿态估计

    该论文提出了一种名为Point-Set Anchors的方法，旨在通过从更优越的位置对一组点进行回归，以提高目标检测、实例分割和人体姿势估计的性能，并且通过采样这些变换来生成额外的点集候选，以适应不同的缩放、纵横比和旋转。

    Jul, 2020

  • 重新思考卷积网络对物体计数的空间不变性

    本文提出使用高斯卷积核来代替原来的卷积滤波器，以估计密度地图中的空间位置，以达到激励密度地图生成过程并克服注释噪声的目的。我们的研究为后续研究指明了新的方向，应该研究如何适当放松过分严格的基于像素级空间不变性的对象计数。我们在MCNN，CSRNet，SANet和ResNet-50等4个主流对象计数网络上进行了评估，对3个应用程序（即人群，车辆和植物计数）的7个流行基准进行了广泛的实验，并且实验结果表明我们的方法明显优于其他最先进的方法，实现了有关对象空间位置的有希望的学习。

    Jun, 2022

  • CenterFormer：基于中心点的Transformer用于3D物体检测

    本文提出了一种基于中心点的变换网络——CenterFormer，它使用查询嵌入来聚合中心候选点的特征向量，并设计了一种通过交叉注意力来融合多帧特征的方法。在Waymo Open数据集上，CenterFormer在单个模型上实现了先进水平，取得了73.7%的验证集和75.6% 的测试集mAPH, 显著优于以前所有已发表的基于CNN和transformer的方法。

    Sep, 2022

  • 使用自监督 Transformer 进行多目标定位的目标发现

    本文提出了使用自监督学习训练的Transformer网络定位多个物体的方法MOST，并通过分形分析检测出前景补丁上的代币，将代币聚类生成边界框，最终在PASCAL-VOC 07、12和COCO20k数据集上表现优于其他方法，同时表明MOST可以用于目标检测的自监督预训练，并在全、半监督目标检测和非监督区域提议生成方面获得一致的改进。

    Apr, 2023

  • 弱监督物体定位中的本地化反思

    通过引入二分类检测器和加权熵损失函数，提出了一种改进的弱监督目标定位方法，解决了现有方法中单类回归和噪声边界框带来的限制和问题。在CUB-200-2011和ImageNet-1K数据集上的实验结果表明了我们方法的有效性。

    Aug, 2023

  • CPR++：通过单一粗糙点监督进行物体定位

    通过选择语义中心点替代初始标注点，我们提出了粗糙点细化（CPR）方法，该方法从算法角度首次尝试减轻语义变异问题，并结合采样区域估计模块和级联结构进行全局优化，进一步整合方差正则化来集中预测分数，实现高性能对象定位。

    Jan, 2024