- 博客(4)
- 收藏
- 关注
原创 【CVPR2024】Salience DETR: 端到端目标检测计算量减少30%且性能更高!
本文主要解决DETR方法中计算量高、小物体难检测的问题,考虑到前景比背景信息更重要,文章提出了分层过滤的机制,仅对前景query进行注意力编码,从而降低计算量。并提出了一系列即插即用的query微调模块来加强query之间的信息交互和融合。Salience-DETR相比DINO降低了30%计算量,速度更快,同时性能更高,与Rank-DETR相当。
2024-07-20 21:06:55
1005
原创 【NIPS2023】Rank-DETR for High Quality Object Detection
首次提出基于排序思想的Rank-DETR,致力于改进高IoU情况下(例如AP@75)的检测性能,在Transformer中引入排序相关的网络层、排序导向的损失函数和匈牙利匹配损失。在COCO数据集上的性能高于DINO、Align-DETR、GroupDETR等baseline,与Stable-DINO、MS-DETR、Salience-DETR相当,弱于DDQ-DETR、Co-DETR、Relation-DETR等SOTA方法。
2024-07-20 12:18:52
523
原创 【TMM2017】Attentive Contexts for Object Detection
本文首次使用基于注意力机制的全局和局部上下文信息来进行目标检测,并通过LSTM递归地生成注意力图,最终融合全局和局部上下文信息提高检测性能!
2024-07-18 17:55:30
725
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人