目标检测
文章平均质量分 74
TEn%
因为自己淋过雨,所以想给别人撑把伞。
展开
-
论文阅读Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector (2020 CVPR)
1. 出处2020 CVPR香港科技大学,腾讯2. 主要内容提出了自己的数据集提出了自己的小样本目标检测方法,不需要微调或者继续训练就能识别novel class3. 问题目标检测传统的方法需要大量的训练数据,准备大量高质量的训练数据需要耗费很多人力。给定少量样本的目标检测的关键就在于如何在复杂的背景中定位一个unseen目标。潜在的bbox很容易丢失unseen目标,或者对背景产生错误检测。这是因为RPN产生的bbox的低分,使得novel object难以被检测出来。而且已有的小样本目原创 2021-12-05 17:24:24 · 380 阅读 · 0 评论 -
Frustratingly Simple Few-Shot Object Detection (2020 ICML)
1. 出处2020 ICML2. 创新点采用的微调技术采用instance-level feature normalization (很多论文用过这个方法)改进了评估方法,不仅考虑novel class检测的准确率,而且考虑对于base class知识的保留3. Motivation已有的工作表明meta-learning是一种有效的方法,但fine-tuning技术不怎么被关注,而且大多数工作都专注于基础的图像分类任务,对目标检测关注较少。作者发现对于稀少的类别微调已有检测器的最后几层,原创 2021-10-30 20:06:12 · 545 阅读 · 0 评论 -
Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection (2021 CVPR)
1. 出处2021 CVPR北大2. 问题小样本目标检测在只有少量样本可用的情况下,很容易忽视新物体的细粒度的特征。已有的方法有几个缺陷:support特征和query特征之间的关系几乎没被探索过,在support特征上进行的全局池化操作用于调制query分支,这易于损失局部细节信息。support图像和query图像之间的外观变化差异很大或者有遮挡时,会对结果产生很大误导。没有足够的对比性信息的话,模型难以学到关键特征用于分类和定位。尺度变化问题仍然是小样本检测任务的阻碍3. 解决方案原创 2021-10-29 14:22:58 · 1470 阅读 · 1 评论 -
DETReg: Unsupervised Pretraining with Region Priors for Object Detection (2021)
1. 出处2021 CVPR 貌似没中,我在谷歌学术和微软学术上都没搜到2. 问题已有的自监督方法不是专门为了检测中的一个重要任务——定位物体而设计的。大多数已有的自监督方法只学习检测网络的部分结构,通常只是检测器的子网络,比如ResNet,只学习backbone对于检测模型是远远不够的。3. 解决方案提出了一个使用Region priors的Transformer进行目标检测的无监督预训练方法,叫作DETReg。作者受目标检测两个任务(分类和定位)的启发,合并自监督中两个互补的信号。对于目原创 2021-10-26 14:10:10 · 2898 阅读 · 0 评论 -
RepMet: Representative-based metric learning for classification and few-shot object detection (2019)
1. 出处2019 CVPRIBM研究团队2. 问题当前大多数小样本学习工作主要关注特定领域,比如人脸识别,一般的分类问题。很少有工作关注小样本目标检测问题,这类问题由于图像背景及需要精确定位物体位置变得复杂化。3. 主要内容提出了一种新的距离度量学习方法,能够同时学习backbone网络参数,embedding空间和每个训练类别的多模态分布。用一个有多个模式的混合模型表示每个类,将这些模式的中心作为该类别的表示向量。为了用少量的训练样本学习一个鲁棒的检测器,作者提出通过DML方法,用一个可原创 2021-10-24 16:55:05 · 283 阅读 · 0 评论 -
Meta-Learning to Detect Rare Objects (2019 ICCV)
1. 出处2021 ICCV卡耐基梅隆大学2. 问题当前对于小样本学习的研究主要关注小样本分类问题,小样本检测具有挑战而且尚未被探索。也有一些researcher将小样本分类方法用于小样本检测,但效果不够理想。3. 解决方案提出了一个基于元学习的框架,能够同时解决小样本分类和定位问题。该框架利用base classes的元知识来促进novel classes检测器的生成。作者的insight就是解决基于CNN的检测模型中类别不可知的和特定类别的组件,利用不同的元学习策略优化不同的组件。cate原创 2021-10-21 20:51:51 · 571 阅读 · 3 评论 -
Few-shot Object Detection via Feature Reweighting (2019 ICCV)
这篇论文算是小样本目标检测的开篇之作之一了,我在阅读最新论文的时候,发现他们也总会引用这篇文章,所以做小样本目标检测或者语义分割的同学,可以阅读一下这篇论文。1. 论文出处2019 ICCV2. 问题传统的基于CNN的目标检测方法需要大量的bbox标注,这些方法对于一些少的类别是不可用的。3. 解决方法设计了小样本目标检测器。能够从少量有标注的样本中检测出新类。模型通过元特征学习器和一个调整权重的模块,利用全部标注的基础类别,快速适应新类。使用有大量数据的base classes作为训练数据,原创 2021-10-17 15:51:07 · 671 阅读 · 0 评论 -
Beyond Max-Margin: Class Margin Equilibrium for Few-shot Object Detection (2021 CVPR)
1. 论文出处2021 CVPR厦门大学纪荣嵘老师团队,鹏城实验室2. 问题本文发现了一个问题,novel class分类和表示之间的隐含矛盾被忽视了。即:为了实现精确的novel class分类,两个base class分布需要互相远离(max-margin)。为了准确表示novel classes,base classes的分布需要彼此靠近,来减小novel classes类内距离(min-margin)。3. 解决方案提出了类间距均衡方法CME,来优化特征空间划分和novel c原创 2021-10-16 17:31:58 · 852 阅读 · 0 评论 -
目标检测中IoU计算
1. 含义IoU即交并比(Intersection over Union),是真实的目标框Ground truth与算法预测出来的目标框Prediction之间差距的衡量指标。计算公式:IoU = A∩B/A∪B一般来说,IoU值越大,说明预测的越准确,通常取0.5作为阈值。2. Python程序实现def iou(box1, box2): """Implement the intersection over union (IoU) between box1 and box2原创 2021-03-19 13:26:38 · 734 阅读 · 0 评论