一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等）

最新推荐文章于 2024-09-09 18:00:00 发布
最新推荐文章于 2024-09-09 18:00:00 发布
阅读量1.2k 收藏 8
点赞数

前言

为了方便大家阅读，我已经将其中的目标检测（Object Detection）论文整理出来。

本文分享的目标检测论文将同步推送到 github上，欢迎大家 star/fork（点击阅读原文，也可直接访问）：

https://github.com/amusi/awesome-object-detection

注意事项：

  • 本文分享的目标检测论文既含刷新COCO mAP记录的目标检测论文，也有追求 mAP 和 FPS trade-off的论文

  • 论文发布时间段：2019年11月

目标检测论文

【1】SCL: Towards Accurate Domain Adaptive Object Detection via Gradient Detach Based Stacked Complementary Losses

时间：20191108

作者：CMU&印度理工学院

链接：https://arxiv.org/abs/1911.02559

注：SCL域自适应目标检测网络，性能优于MAF(ICCV'19)和Strong-Weak(CVPR'19)

【2】Localization-aware Channel Pruning for Object Detection

时间：20191109

作者：华中科技大学

链接：https://arxiv.org/abs/1911.02237

注：性能优于DCP、ThiNet，可对SSD剪枝70%参数

【3】RoIMix: Proposal-Fusion among Multiple Images for Underwater Object Detection

时间：20191112

作者：北大&鹏城实验室&腾讯

链接：https://arxiv.org/abs/1911.03029

注：水下目标检测，有点东西的

【4】Model Adaption Object Detection System for Robot

时间：20191113

作者：西安交通大学

链接：https://arxiv.org/abs/1911.02718

注：解决机器人靠近物体的移动过程中，对物体保持稳定的检测。检测和速度性能优于YOLOv3！

【5】EdgeNet: Balancing Accuracy and Performance for Edge-based Convolutional Neural Network Object Detectors

时间：20191117

作者：塞浦路斯大学

链接：https://arxiv.org/abs/1911.06091

注：EdgeNet 速度和精度均优于Tiny-YOLO V3和DroNet，功耗仅4W！可在树莓派、CPU上实时运行

【6】Enriched Feature Guided Refinement Network for Object Detection

时间：2019（ICCV 2019）

作者：天津大学&IIAI

http://openaccess.thecvf.com/content_ICCV_2019/papers/Nie_Enriched_Feature_Guided_Refinement_Network_for_Object_Detection_ICCV_2019_paper.pdf

代码：https://github.com/Ranchentx/EFGRNet

注：EFGRNet是基于SSD改进的Single-Stage检测网络，在COCO上可达46ms/39.0mAP(512x512)，现已开源！

【7】EfficientDet: Scalable and Efficient Object Detection

时间：20191122

作者：谷歌大脑(Quoc V. L大佬)

链接：https://arxiv.org/abs/1911.09070

代码：即将开源

注：本文提出BiFPN和EfficientDet，在COCO上高达51.0 mAP！是目前在没有做多尺度测试下最强的目标检测网络！

【8】Learning Spatial Fusion for Single-Shot Object Detection

时间：20191122

作者：北京航空航天大学

链接：https://arxiv.org/abs/1911.09516

代码：https://github.com/ruinmessi/ASFF

注：YOLOv3+ASFF(自适应空间特征融合)组合，性能优于CornerNet和CenterNet等，在COCO上，38.1mAP/60 FPS，43.9mAP/29FPS！

为了方便下载，我已经将上述论文打包，在作者公众号 后台回复：20191123 即可获得打包链接。

往期精彩回顾
那些年做的学术公益-你不是一个人在战斗适合初学者入门人工智能的路线及资料下载机器学习在线手册备注：加入本站微信群或者qq群，请回复“加群”加入知识星球（4500+用户，ID：92416895），请回复“知识星球”
风度78
关注
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
目标检测算法——YOLOv5/YOLOv7改进结合涨点Trick之ASFF（自适应空间特征融合）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-19 8024
目标检测算法——YOLOv5/YOLOv7改进之结合涨点ASFF_Detect（自适应空间特征融合）。🚀🚀🚀NEW！！！魔改YOLOv5/YOLOv7目标检测算法来啦 ~💡💡魔法搭配计算机视觉领域各类创新新颖且行之有效的网络结构，平均精度均值mAP涨点明显，实验效果也俱佳。有需要的小伙伴可以在CSDN后台留言+点赞收藏喔！！！👍👍👍🔥🔥🔥
【论文笔记】：ASFF:Learning Spatial Fusion for Single-Shot Object Detection
Activewaste
04-28 6955
&Title ASFF:Learning Spatial Fusion for Single-Shot Object Detection 代码 &Summary 不同特征尺度之间的不一致性是基于特征金字塔的单阶段检测器的主要缺陷。 本文提出了一种新的基于数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。它学习了空间过滤冲突信息的方法来抑制不一致性，从而提高了特...
2019年11月最新8篇目标检测论文
Tiger数学之家的博客
12-03 960
本文分享的目标检测论文将同步推送到 github上，欢迎大家 star/fork，链接地址：https://github.com/murufeng/awesome-papers/tree/master/Object-detection 注意事项： 本文分享的目标检测论文既含刷新COCO mAP记录的目标检测论文，也有追求 mAP 和 FPS trade-off的论文 论文发布时间段：2019...
8篇目标检测EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet
杨杨子江的博客
12-07 835
文章更新时段：2019-11
ASFF论文阅读
qq_43349542的博客
11-16 2988
ASFF相当于空间注意力。 解决的问题： 不同尺度特征之间的不一致性。 贡献： 本文提出了一种新的基于数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF），它通过学习权重参数的方式将不同层的特征融合到一起。它学习了空间过滤冲突信息的方法来抑制不一致性，从而提高了特征的尺度不变性，并且推理成本小。 单发检测器特征金字塔的不一致性： 具体来说，在使用特征金字塔检测对象时，采用启发式引导特征选择:大实例通常与上特征图相关联，小实例与下特征图相关联。当在某一层次的特征图中分配一个对象并将其作为正的对象时
【图文详解】EdgeNeXt与YOLOv5结合：创新黄豆种子计数及培养仿真系统
cheng2333333的博客
11-27 181
【图文详解】EdgeNeXt与YOLOv5结合：创新黄豆种子计数及培养仿真系统
YOLOv8改进 | 检测头篇 | ASFF改进YOLOv8检测头（全网首发）
走向CTO的路上...
06-25 1949
ASFF（Adaptive Spatial Feature Fusion）是一种自适应空间特征融合头，它通过自适应地融合不同尺度的特征来提升模型性能，尤其是在小目标检测方面。ASFF已被证明能够有效地改进YOLOv8目标检测模型，在mAP和recall等指标上取得了显著的提升。ASFF是一种有效的改进YOLOv8目标检测模型的方法，它在目标检测和图像分割任务中取得了显著的性能提升。该改进通过自适应地融合不同尺度的特征来提升模型性能，尤其是在小目标检测方面表现出色，使其成为一种很有潜力的目标检测头。
AI：282-ASFF改进YOLOv8检测头 | 提升目标检测精度的全新方法（全网首发）
最新发布
一键难忘的博客
09-09 3125
YOLO（You Only Look Once）系列模型以其端到端的检测能力和高效性广泛应用于目标检测任务。YOLOv8是YOLO系列中的最新版本，其改进了特征提取、特征融合和检测头设计等多个方面。YOLOv8的检测头主要负责将从骨干网络中提取的特征图进行处理，以生成最终的检测结果。自适应空间特征融合（ASFF）是一种用于提升目标检测精度的技术。ASFF通过对不同尺度的特征图进行自适应融合，使得模型能够更好地处理不同尺度的目标。ASFF能够在特征融合过程中动态调整各尺度特征的重要性，从而提高检测性能。
ASFF- 自适应空间特征融合论文及代码
热门推荐
qq_35608277的博客
04-20 1万+
ref 1 增强的 baseline 为了更好地证明我们提出的ASFF方法的有效性，我们基于这些先进技术建立了一个比origin yolov3强得多的基线。 在高级训练技巧[43]( Bag of freebies for training object detection neural networks)之后，我们介绍了训练过程中的一些技巧， 如混合算法[12]、余弦[26]学习速率调度和同步...
edgenet.tar.gz
02-28
对应博客为https://blog.csdn.net/qq_35590091/article/details/104557020
ASFF论文解读
weixin_39558227的博客
04-04 1607
链接
ASFF论文笔记
陈建驱的博客
08-19 2230
论文：LearningSpatialFusionforSingle-ShotObjectDetection. Songtao Liu,Di Huang,Yunhong Wang 摘要 金字塔特征表示是解决目标检测中尺度变化问题的常用方法。然而，不同特征尺度上的不一致性是基于特征金字塔的单阶段检测器的主要局限性。在这项工作中，我们提出了一种新的数据驱动的金字塔特征融合策略，即自适应空间特征融合( adaptively spatial feature fusion，ASFF)。它通过学习...
（七）论文阅读 | 目标检测之ASFF
Skies_的博客
03-12 3568
2019 | 目标检测之ASFF
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（8 月 22 日论文合集）
wzk4869的博客
08-25 574
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（8 月 22 日论文合集）
ASFF：Learning Spatial Fusion for Single-Shot Object Detection
weixin_38688399的博客
06-16 1173
ASFF：Learning Spatial Fusion for Single-Shot Object Detection 论文：Learning Spatial Fusion for Single-Shot Object Detection 论文地址：https://arxiv.org/pdf/1911.09516.pdf github：https://github.com/ruinmessi/ASFF 本篇文章最大的创新点是提出了一种新的特征融合的方式ASFF，通过学习权重参数的方式将不同层的特征融合到
【读点论文】EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications
白水空空
03-05 1392
为了追求不断提高的精度，通常会开发大型复杂的神经网络。这种模型需要很高的计算资源，因此不能部署在边缘设备上。由于资源节约型通用网络在多个应用领域的有用性，因此构建资源节约型通用网络具有极大的兴趣。在这项工作中，努力有效地结合CNN和Transformer模型的优点，并提出了一种新的高效混合架构EdgeNeXt。具体来说，在EdgeNeXt中，引入了分裂深度转置注意(STDA)编码器，该编码器将输入张量分割为多个通道组，并利用深度卷积和跨通道维度的自注意来隐式增加接受域并编码多尺度特征。
EdgeNeXt轻量化学习笔记
charles_zhang_的博客
08-05 2258
为了追求不断提高的精度，通常需要开发大型和复杂的神经网络。这种模型需要很高的计算资源，因此不能部署在边缘设备上。由于资源高效的通用网络在多个应用领域都很有用，因此构建资源高效的通用网络具有很大的意义。在这项工作中，我们努力有效地结合CNN和Transformer模型的优势，并提出了一种新的高效混合架构EdgeNeXt。特别是在EdgeNeXt中，我们引入了分割深度转置注意(SDTA)编码器，该编码器将输入张量分割为多个信道组，并利用深度卷积和跨信道维度的自我注意来隐式增加接收场并编码多尺度特征。......
Attention
whaosoft143ai的博客
01-16 344
本文作者简单地结合了 IRB 和 Transformer 的设计思路，希望结合 Attention 重新思考移动端小模型中的基本模块。具体而言，作者结合 Transformer 中的多头注意力机制 (MHSA) 和 FFN 模块以及 MobileNet-v2中的倒残差模块 (Inverted Residual Block, IRB)，引入了一种 Meta Mobile Block。不但在多个视觉任务中超越了以往的边缘设备轻量级小模型，同时具有更高的吞吐量 whaosoft aiot http://143ai
yolov8添加ASFF
09-08
Yolov8中添加ASFF（Adaptive Spatial Feature Fusion）可以进一步提升目标检测的性能。ASFF模块可以在多个检测层级上融合特征图，以便更好地捕捉不同尺度的目标信息。 在Yolov8中，可以通过以下步骤来添加ASFF模块...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值