【前沿热点顶会】AAAI 2025中与目标检测有关的论文

平安顺遂事事如意

已于 2024-12-23 14:56:05 修改

阅读量5.1k

点赞数 17

分类专栏：顶刊顶会论文合集文章标签：目标检测目标跟踪人工智能 AAAI 深度学习计算机视觉神经网络

于 2024-12-23 11:03:41 首次发布

本文链接：https://blog.csdn.net/A_Student10000/article/details/144660234

版权

CP-DETR: Concept Prompt Guide DETR Toward Stronger Universal Object Detection（AAAI 2025）

最近关于通用物体检测的研究旨在将语言引入最先进的闭集检测器，然后通过构建大规模（文本区域）数据集进行训练，以推广开放集概念。然而，这些方法面临两个主要挑战：（i）如何有效地利用提示中的先验信息以泛化物体，以及（ii）如何在下游任务中减少对齐偏差，这两者在预训练以外的一些场景中导致次优性能。为了解决这些挑战，我们提出了一种强大的通用检测基础模型，称为CP-DETR，该模型在几乎所有场景中都具有竞争力，只需一个预训练权重。具体来说，我们设计了一种高效的提示视觉混合编码器，通过逐层和多尺度融合模块增强提示与视觉之间的信息互动。然后，混合编码器通过提示多标签损失和辅助检测头充分利用提示信息。除了文本提示外，我们还设计了两种实用的概念提示生成方法，即视觉提示和优化提示，通过具体的视觉示例提取抽象概念，并在下游任务中稳定地减少对齐偏差。凭借这些有效的设计，CP-DETR在广泛的场景中表现出卓越的通用检测性能。例如，我们的Swin-T主干模型在LVIS上达到了47.6的零样本AP，而Swin-L主干模型在ODinW35上达到了32.2的零样本AP。此外，我们的视觉提示生成方法通过交互检测在COCO验证集上达到了68.4的AP，而优化提示在ODinW13上达到了73.1的全样本AP。

SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection（AAAI 2025）

对于自动驾驶汽车来说，3D 目标检测是一项基础的感知任务。使用 4D 毫米波雷达完成这样的任务极具吸引力，因为该传感器能够获取类似于激光雷达的 3D 点云，同时在恶劣天气下仍能保持稳定的测量。然而，由于雷达点云的高稀疏性和噪声，现有方法的性能仍然远低于预期。在本文中，我们针对基于 4D 雷达的 3D 目标检测提出了一种新颖