2. 程式人生 > >CVPR 2017、2018 - 目標檢測文章

CVPR 2017、2018 - 目標檢測文章

阿新 • • 發佈：2018-11-10

國際計算機視覺與模式識別會議（CVPR）是IEEE一年一度的學術性會議，會議的主要內容是計算機視覺與模式識別技術。CVPR是世界頂級的計算機視覺會議（三大頂會之一，另外兩個是ICCV和ECCV），近年來每年有約1500名參加者，收錄的論文數量一般300篇左右。本會議每年都會有固定的研討主題，而每一年都會有公司贊助該會議並獲得在會場展示的機會。

CVPR 2018

Cascade R-CNN: Delving into High Quality Object Detection

arxiv: https://arxiv.org/abs/1712.00726
github(Caffe, official): https://github.com/zhaoweicai/cascade-rcnn
　　在目標檢測中,在判定正負樣本的時候交併比閾值是必需的。較低的物件探測器,訓練有素的借據 0.5閾值,例如,通常會產生噪聲檢測。 然而,檢測 效能會降低,增加了借據閾值。 兩個主要 原因:1)過度擬合訓練期間,由於 迅速消失的正樣品,2)inference-time不匹配 借據的檢測器之間的最優和輸入 假設。 多級物件檢測體系結構、級聯R-CNN 提出瞭解決這些問題。 它由一個序列的探測器 順序與借據閾值增加,訓練更多的選擇性 接近的假陽性。 探測器是逐步訓練, 利用觀察到探測器的輸出是一個很好的分佈 培訓下一個更高質量的探測器。 逐步的重取樣 改進的假設保證所有探測器都積極的 同尺寸的例子,減少過度擬合的問題。 相同的級聯 程式應用於推理,使之間的緊密匹配 假設和探測器每個階段的質量。 一個簡單的實現 顯示了級聯R-CNN超越所有單模物件探測器 具有挑戰性的可可資料集。 實驗還表明,級聯R-CNN 廣泛適用於探測器的架構,實現一致的收益 獨立於基線檢測器的力量。

Domain Adaptive Faster R-CNN for Object Detection in the Wild

arxiv: https://arxiv.org/abs/1803.03243
　　物件檢測通常假定訓練和測試資料是來自 然而,一個相同的分佈,在實踐中並不總是持有。 這種分佈不匹配會導致顯著的效能下降。 在 這項工作,我們的目標是提高目標檢測的跨域的魯棒性。 我們在兩個層次上解決域轉變:1)映像級別轉變,如 形象風格、照明等,2)例項級的轉變,如物件 外觀,尺寸等。根據最近我們構建我們的方法 先進的快R-CNN模型和設計兩個領域適應氣候變化 元件、影象水平和例項級減少域 差異。 這兩個領域適應基於H-divergence元件 理論,通過學習實現域分類器在敵對的 培訓的方式。 進一步域分類器在不同的水平 加強與一致性正則化學習一個域不變 建議網路(RPN)快R-CNN模型。 我們評估我們的新 建議的方法使用多個數據集包括了城市,KITTI,SIM10K, 等。結果顯示我們提出的方法的有效性的物件檢測場景在不同的領域轉變。

Multi-scale Location-aware Kernel Representation for Object Detection

arxiv: https://arxiv.org/abs/1804.00428
github: https://github.com/Hwang64/MLKP
　　雖然快R-CNN及其變體已經顯示出不錯的表現 物件檢測,他們只利用簡單的一階表示物件 建議最終的分類和迴歸。 最近的分類 方法表明,高階統計資訊的整合到深 卷積神經網路可以達到令人印象深刻的進步,但是他們的 模型的目標是整個影象通過丟棄位置資訊 不能直接採用物件檢測。 在這篇文章中,我們讓一個 試圖利用高階統計資訊在目標檢測中,針對 為建議提高生成更有識別力的表示 探測器的效能。 為此,我們提出一種新的多尺度 位置感知核心表示(MLKP)來捕獲高階統計 深特性的建議。 我們MLKP改性可以有效地計算 多尺度特徵對映使用一個低維多項式核心 近似。 此外,不同於現有的無條理的全球 基於高階統計資料表示,我們提議MLKP位置 保留和敏感,以便它可以靈活地採用物件檢測。 通過融入快R-CNN模式,提出MLKP達到非常 競爭效能最先進的方法,提高了速度 R-CNN 4.9%(mAP),4.7%(mAP)和5.0%(美聯社借據=[0.5:0.05:0.95])在帕斯卡 2007年VOC,VOC 2012和COCO資料集。

Object Detection using Domain Randomization and Generative Adversarial Refinement of Synthetic Images

arxiv: https://arxiv.org/abs/1805.11778

在這項工作中,我們目前的應用程式域隨機化和 生成對抗網路(GAN)訓練接近實時物件探測器,完全在一個模擬的環境。 大規模的 可用性為真實世界的資料通常是罕見的,很難 獲得在許多工業環境。 因此,只有幾百 未標記的真實影象用於訓練Cyclic-GAN網路相結合 各種程度的域隨機化程式。 我們證明 這使強大的翻譯合成影象真實世界的領域。 我們表明,原始的組合合成(模擬)和翻譯圖片,當用於訓練Mask-RCNN物件檢測網路 達到大於0.95意味著平均精度檢測和分類 工業電氣部分的集合。 我們評估效能 不同組合的訓練資料。

Relation Networks for Object Detection

intro: CVPR 2018
arxiv: https://arxiv.org/abs/1711.11575
雖然好多年相信建模之間的關係 物件將幫助物件識別,沒有證據表明 想法是在深工作學習的時代。 所有先進的目標檢測 系統仍然依靠單獨識別物件例項,沒有 學習期間利用他們的關係。這項工作提出了一個物件關係模組。 It過程的一組物件 同時通過外表之間的互動功能 幾何形狀,從而允許他們關係的建模。 它是輕量級的, 就地。 它不需要額外的監督很容易嵌入 現有的網路。 它是有效提高目標識別和顯示 重複刪除步驟在現代物件檢測管道。 它驗證 建模基於物件關係在CNN的功效檢測。 它會引起 第一個完整的端到端物件探測器。

Beyond Trade-off: Accelerate FCN-based Face Detector with Higher Accuracy

arxiv: https://arxiv.org/abs/1804.05197

完全卷積神經網路(FCN)主導的遊戲的臉 檢測任務幾年的先天能力 與共享核心sliding-window-searching,歸結所有 冗餘計算,最新最先進的方法等 SSD,Faster-RCNN YOLO和紅外系統使用意思FCN作為他們的支柱。 這是一個 問題:我們能找到一個普遍的策略,進一步加快FCN 精度高,所以可能會加速所有最近FCN-based方法? 來 分析這個問題,我們將面對搜尋空間分解成兩個正交的 方向,“規模”和“空間”。 只有少數的座標空間擴大 由兩個基本向量表示前景。 如果FCN可以忽略的 其他點,搜尋空間和假警報應該顯著 歸結。 基於這種哲學,一個名為規模估計的新方法 和空間注意的建議(S2AP提出了關注一些 具體的尺度和有效的位置在影象金字塔。 此外,我們採用 masked-convolution操作基於加速FCN關注結果 計算。 實驗表明,FCN-based方法可以加速項 關於4×的幫助下S2APmasked-FCN和在同一時間 也可以實現先進的FDDB,AFW MALF人臉檢測嗎 基準。

Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks

arxiv: https://arxiv.org/abs/1804.06039
github: https://github.com/Jack-CV/PCN
用任意旋轉不變人臉檢測,即檢測的臉 rotation-in-plane(RIP)角度,廣泛需要於不受限制 應用程式但仍然作為一個具有挑戰性的任務,由於大 變化的表象。 大多數現有的方法與速度或妥協 精度處理大變化。 為解決這一問題 效率,我們建議進步校準網路(PCN)來執行 而且方式旋轉不變人臉檢測。 PCN由 三個階段,每個不僅區分非人臉的臉, 但也校準每個候選人臉的RIP取向直立 逐步。 除以校準過程分為幾個進步 步驟和只在早期階段,預測粗取向PCN可以實現 精確和快速校準。 通過執行二進位制分類面臨vs。 區別人臉與逐漸減少擷取範圍,PCN可以準確檢測的面孔 與全360∘把角度。 這種設計導致實時 旋轉不變的臉探測器。 筆跡FDDB和實驗 具有挑戰性的子集包含旋轉面臨的更廣泛的臉在野外顯示 我們PCN達到相當有前途的效能。

Seeing Small Faces from Robust Anchor’s Perspective

arxiv: https://arxiv.org/abs/1802.09058
介紹了一種新型錨設計支援anchor-based臉 檢測尺度不變的優越效能,尤其是在小臉上。 為了達到這個目標,我們明確地解決這一問題,anchor-based探測器 用小尺寸,效能大幅下降的臉如小於16 x16 畫素。 在本文中,我們調查為什麼會出現這種情況。 我們發現 當前錨設計不能保證高小小的臉和之間的重疊 錨箱,增加培訓的難度。 預計新馬克斯 重疊(情緒)得分提出可以從理論上解釋了低 重疊的問題,激發新的錨設計的一些有效的策略 導致更高的臉重疊,包括減少新錨一步 網路架構、額外移錨和隨機面臨轉變。 全面的實驗表明,我們提出的方法明顯 優於基線anchor-based檢測器,而實現 最先進的具有挑戰性的人臉檢測結果資料集 競爭執行時的速度。

Direction-aware Spatial Context Features for Shadow Detection

陰影檢測是一個基本且富有挑戰性的任務,因為它需要一個 全球形象的理解語義和有各種各樣的背景 周圍的陰影。 介紹了一種新穎的網路陰影的檢測 分析影象上下文direction-aware的方式。 為了達到這個目標,我們首先 制定direction-aware注意力機制在一個空間複發性神經 網路(RNN)通過引入關注權重時聚合空間上下文 RNN的特性。 通過學習這些重量訓練,我們可以恢復 direction-aware空間上下文(DSC)檢測陰影。 這個設計是 發展成為CNN的DSC模組和嵌入式學習DSC特性 不同的級別。 此外,加權交叉熵損失設計 培訓更有效。 我們僱傭兩個常見的陰影檢測基準 資料集和執行各種實驗來評估我們的網路。 實驗 結果表明,我們的網路優於最先進的方法和實現 97%的準確率和平衡出錯率降低38%。
arxiv: https://arxiv.org/abs/1712.04142

CVPR 2017

A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

arxiv: https://arxiv.org/abs/1704.03414
paper: http://abhinavsh.info/papers/pdfs/adversarial_object_detection.pdf
github(Caffe): https://github.com/xiaolonw/adversarial-frcnn

Speed/accuracy trade-offs for modern convolutional object detectors

arxiv: https://arxiv.org/abs/1611.10012

Discriminative Bimodal Networks for Visual Localization and Detection with Natural Language Queries

arxiv: https://arxiv.org/abs/1704.03944

Accurate Single Stage Detector Using Recurrent Rolling Convolution

keywords: Recurrent Rolling Convolution (RRC)
arxiv: https://arxiv.org/abs/1704.05776
github: https://github.com/xiaohaoChen/rrc_detection

RON: Reverse Connection with Objectness Prior Networks for Object Detection

arxiv: https://arxiv.org/abs/1707.01691
github: https://github.com/taokong/RON

Mimicking Very Efficient Network for Object Detection

intro: CVPR 2017. SenseTime & Beihang University
paper: http://openaccess.thecvf.com/content_cvpr_2017/papers/Li_Mimicking_Very_Efficient_CVPR_2017_paper.pdf

Learning non-maximum suppression

project page: https://www.mpi-inf.mpg.de/departments/computer-vision-and-multimodal-computing/research/object-recognition-and-scene-understanding/learning-nms/
arxiv: https://arxiv.org/abs/1705.02950
github: https://github.com/hosang/gossipnet

Deep Variation-structured Reinforcement Learning for Visual Relationship and Attribute Detection

intro: CVPR 2017 spotlight paper
arxiv: https://arxiv.org/abs/1703.03054

Detecting Visual Relationships with Deep Relational Networks

intro: CVPR 2017 oral. The Chinese University of Hong Kong
arxiv: https://arxiv.org/abs/1704.03114

Multi-Path Region-Based Convolutional Neural Network for Accurate Detection of Unconstrained “Hard Faces”

intro: CVPR 2017. MP-RCNN, MP-RPN
arxiv: https://arxiv.org/abs/1703.09145

Scale-Aware Face Detection

intro: CVPR 2017. SenseTime & Tsinghua University
arxiv: https://arxiv.org/abs/1706.09876

Detecting Faces Using Inside Cascaded Contextual CNN

intro: CVPR 2017. Tencent AI Lab & SenseTime
paper: http://ai.tencent.com/ailab/media/publications/Detecting_Faces_Using_Inside_Cascaded_Contextual_CNN.pdf

Finding Tiny Faces

intro: CVPR 2017. CMU
project page: http://www.cs.cmu.edu/~peiyunh/tiny/index.html
arxiv: https://arxiv.org/abs/1612.04402
github(official, Matlab): https://github.com/peiyunh/tiny
github(inference-only): https://github.com/chinakook/hr101_mxnet
github: https://github.com/cydonia999/Tiny_Faces_in_Tensorflow

Expecting the Unexpected: Training Detectors for Unusual Pedestrians with Adversarial Imposters

intro: CVPR 2017
project page: http://ml.cs.tsinghua.edu.cn:5000/publications/synunity/
arxiv: https://arxiv.org/abs/1703.06283
github(Tensorflow): https://github.com/huangshiyu13/RPNplus

What Can Help Pedestrian Detection?

intro: CVPR 2017. Tsinghua University & Peking University & Megvii Inc.
keywords: Faster R-CNN, HyperLearner
arxiv: https://arxiv.org/abs/1705.02757
paper: http://openaccess.thecvf.com/content_cvpr_2017/papers/Mao_What_Can_Help_CVPR_2017_paper.pdf

Evaluating State-of-the-art Object Detector on Challenging Traffic Light Data

intro: CVPR 2017 workshop
paper: http://openaccess.thecvf.com/content_cvpr_2017_workshops/w9/papers/Jensen_Evaluating_State-Of-The-Art_Object_CVPR_2017_paper.pdf

SRN: Side-output Residual Network for Object Symmetry Detection in the Wild

intro: CVPR 2017
arxiv: https://arxiv.org/abs/1703.02243
github: https://github.com/KevinKecc/SRN

Learning Detection with Diverse Proposals

keywords: differentiable Determinantal Point Process (DPP) layer, Learning Detection with Diverse Proposals (LDDP)
arxiv: https://arxiv.org/abs/1704.03533

參考

Object Detection

相關推薦

CVPR 2017、2018 - 目標檢測文章

CVPR 2018 Cascade R-CNN: Delving into High Quality Object Detection Domain Adaptive Faster R-CNN for Object Detectio

CVPR2018 目標檢測（object detection）演算法總覽(關於2018年最新的目標檢測文章分析)

CVPR2018上關於目標檢測（object detection）的論文比去年要多很多，而且大部分都有亮點。從其中挑了幾篇非常有意思的文章，特來分享，每篇文章都有詳細的部落格筆記，可以點選連結閱讀。Cascaded RCNN這篇文章的出發點非常有意思，是通過分析輸入propo

ECCV 2018 目標檢測亮點演算法概覽

轉載自：AI之路  原文：https://blog.csdn.net/u014380165/article/details/82025720 這篇部落格記錄我個人比較感興趣的 ECCV2018 關於目標檢測（object detection）的一些文章。 1、IOU-Net 論

2018目標檢測

原作者網站https://blog.csdn.net/u014380165/article/details/80784147 個人紀錄純粹為了學習方便，向原作者致敬。 根據CVPR2018自己筆記： 1、Cascaded RCNN 論文：Cascade

Vivado 2017、2018 add sources後出現non-module問題的解決辦法

使用vivado的時候可能會出現non-module的問題，排除自己的模組寫錯的可能性，會出現以下報錯資訊： 如果點add source後發現生成的模組分配到的是non-module，那麼很有可能遇到和我一樣的問題，我使用的版本是vivado2017.4。 官網已給出

Relation-Network目標檢測演算法詳細總結分析（one/two-stage)(深度學習)(CVPR 2018)

論文名稱：《 Single-Shot Refinement Neural Network for Object Detection 》 論文下載：https://arxiv.org/abs/1711.06897 論文程式碼：https://github.com/sfzhang1

YOLOv3 目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2018)

論文名稱：《 YOLOv3: An Incremental Improvement 》 論文下載：https://pjreddie.com/media/files/papers/YOLOv3.pdf 論文程式碼:   https://github.com/pjredd

YOLOv2 目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2017)

論文名稱：《 YOLO9000: Better, Faster, Stronger 》 論文下載: https://arxiv.org/abs/1612.08242  論文程式碼: http://pjreddie.com/yolo9000/  一、演算法

YOLT目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2018)

論文名稱：《 You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery 》 論文下載：https://arxiv.org/abs/1805.09512 論文程式碼：https://g

織夢模板調用最新文章標簽、推薦內容標簽、熱門文章標簽、欄目標簽

ubd erb -- rcu 文章 pen 標簽 織夢 cli 織夢模板調用最新文章標簽、推薦內容標簽、熱門文章標簽、欄目標簽 <div> <!--最新文檔--> {dede:arclist row=10 titlelen=42}

我收集的一些目標檢測、跟蹤、識別標準測試視頻集和圖像數據庫

ima detail track 分離 urb images data mic hang 一個網友收集的運動目標檢測，陰影檢測的標準測試視頻 http://blog.csdn.net/sunbaigui/article/details/6363390 很權威的c

第二十五節，目標定位、特征點檢測依據目標檢測

回顧 邏輯 預測 簡單 AS 其中 輸入 操作 功能 一 目標定位 對象檢測，它是計算機視覺領域中一個新興的應用方向，相比前兩年，它的性能越來越好。在構建對象檢測之前，我們先了解一下對象定位，首先我們看看它的定義。 圖片分類任務我們已經熟悉了，就是算法遍歷圖片，判斷其中的

第十八節、基於傳統圖像處理的目標檢測與識別(HOG+SVM附代碼)

當我 陰影 .fig 來源 end 映射 形狀 itl eee 其實在深度學習分類中我們已經介紹了目標檢測和目標識別的概念、為了照顧一些沒有學過深度學習的童鞋，這裏我重新說明一次：目標檢測是用來確定圖像上某個區域是否有我們要識別的對象，目標識別是用來判斷圖片上這個對象是什麽

學習筆記-目標檢測、定位、識別（RCNN，Fast-RCNN, Faster-RCNN，Mask-RCNN，YOLO，SSD 系列）

0. 前言 說到深度學習的目標檢測，就要提到傳統的目標檢測方法。 傳統的目標檢測流程： 1）區域選擇（窮舉策略：採用滑動視窗，且設定不同的大小，不同的長寬比對影象進行遍歷，時間複雜度高） 2）特徵提取（SIFT、HOG等；形態多樣性、光照變化多樣性、背景多樣性使得特徵魯棒性差）

港中大、商湯開源目標檢測工具包mmdetection，對比Detectron如何？

參加 2018 AI開發者大會，請點選 ↑↑↑ 近日，香港中文大學-商湯聯合實驗室開源了基於 PyTorch 的檢測庫——mmdetection。上個月，商湯和港中大組成的團隊在 COCO 比賽的物體檢測（Detection）專案中奪得冠軍，而 mmdetection 正是基

目標檢測之RCNN、Fast RCNN 、Faster RCNN技術演進與對比

三者的處理步驟 先上三者的處理步驟： RCNN： 1、提取1000-2000個（超引數）的候選框（採用selective search演算法）; 2、將每個候選框中的影象調整到相同的size; 3、將調整size後的影象（數量與候選框個數相同）輸入CNN提取featu

深度學習目標檢測經典模型比較（RCNN、Fast RCNN、Faster RCNN）

深度學習目標檢測經典模型比較（RCNN、Fast RCNN、Faster RCNN）   Faster rcnn是用來解決計算機視覺(CV)領域中目標檢測(Object Detection)的問題的。 區別目標分類、定位、檢測 一、傳統的目標檢測方法 其實目標檢

第十九節、基於傳統影象處理的目標檢測與識別(詞袋模型BOW+SVM附程式碼)

在上一節、我們已經介紹了使用HOG和SVM實現目標檢測和識別，這一節我們將介紹使用詞袋模型BOW和SVM實現目標檢測和識別。 一 詞袋介紹 詞袋模型(Bag-Of-Word)的概念最初不是針對計算機視覺的，但計算機視覺會使用該概念的升級。詞袋最早出現在神經語言程式學(NLP)和資訊檢索(IR)領域，該模型

R-CNN 目標檢測演算法詳細總結分析（two-stage)(深度學習)(CVPR 2014)

論文名稱：《 Rich feature hierarchies for accurate object detection and semantic segmentation 》 論文下載：https://arxiv.org/pdf/1311.2524.pdf 論文程式碼：ht

YOLOv1目標檢測演算法詳細總結分析（one-stage)(深度學習)(CVPR 2016)

論文名稱： 《 You Only Look Once: Unified, Real-Time Object Detection 》 論文連線：https://github.com/pjreddie/darknet  程式碼連線：http://arxiv.or