Dense Label Encoding for Boundary Discontinuity Free Rotation Detection

最新推荐文章于 2023-12-19 23:35:44 发布
最新推荐文章于 2023-12-19 23:35:44 发布
阅读量1.1k 收藏 8
点赞数
分类专栏： 目标检测论文 文章标签： 计算机视觉 深度学习 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_38974831/article/details/117325189
版权

Dense Label Encoding for Boundary Discontinuity Free Rotation Detection

原文链接

代码链接

文章目录

Author

在这里插入图片描述
上海交通大学和中国科学院大学

Abstract

旋转检测一般是基于回归的方向估计方法，本论文提出一种较少研究的基于分类的方法。主要有两方面内容：
1.一种新的编码机制
用于角度分类的两种密集编码标签Densely Coded Labels (DCL)代替稀疏编码标签Sparsely Coded Label (SCL)：现存的基于分类检测器的标签机制
训练速度提高了三倍。
2.损失重新加权
提出 角度距离和纵横比敏感加权Angle Distance and Aspect Ratio Sensitive Weighting(ADARSW)
提高了方形物体的检测精度，使得基于DCL的检测器对角距离和纵横比敏感。

1、Introduce

旋转目标检测因在不同场景中的重要作用而越来越受到关注，包括航空图像、场景文本、人脸等，与具有大量文献的水平目标检测来说，旋转目标检测研究较

最低0.47元/天 解锁文章
栗子菜菜
关注
专栏目录
【图像超分】论文精读：Residual Dense Network for Image Super-Resolution（RDN）
畅游计算机视觉的海洋
03-31 6215
一个非常深的卷积神经网络 (CNN) 最近在图像分类 (SR) 方面取得了巨大成功，并提供了分层特征。然而，大多数基于深度 CNN 的 SR 模型没有充分利用原始低分辨率 (LR) 图像中的层次特征，从而实现相对较低的性能。在本文中，我们提出了一种新的残差密集网络(RDN)来解决图像SR中的这个问题。我们充分利用所有卷积层的分层特征。具体来说，我们提出了残差密集块（RDB）通过密集连接的卷积层提取丰富的局部特征。RDB 进一步允许将前一个 RDB 的状态与当前 RDB 的所有层直接连接，从而产生连续的内存
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
梁瑛平的博客
07-04 2220
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
【论文阅读笔记】Uncertainty-aware Joint Salient Object and Camouflaged Object Detectio
栗子菜菜
05-10 1410
【论文阅读笔记】Uncertainty-aware Joint Salient Object and Camouflaged Object Detection 提示：新手小白，单纯做笔记，如有错误还请指出。 原文链接 GitHub链接：https://github.com/JingZhang617/Joint_COD_SOD 文章目录Author一、Abstract二、Introduce1.数据扩充2.三、Introduce四、Related Work五、Method六、Experimental七、Code
Uncertainty-aware Joint Salient Object and Camouflaged Object Detection阅读笔记
Malidong的博客
04-15 1457
一、简介 显著物体检测旨在发现吸引人类注意力的显著物体，而伪装物体检测则旨在发现隐藏在周围的伪装物体。 本文提出了一种利用矛盾信息来增强显著目标检测和伪装目标检测能力的方法。 提出了一种数据扩充策略，将伪装数据集中的简单样本作为显著性检测的困难样本，实现了一个鲁棒的显著性模型。 设计了相似性度量模块来显式地建模两个任务的“矛盾”属性。 在对抗式学习框架下引入第一个联合显著目标检测和伪装目标检测网络，明确建模每个任务的预测不确定性。 二、数据扩充 如图1所示，显著突出的物体和伪装的物体是矛盾的属性。但是也存
论文阅读：Uncertainty-aware Joint Salient Object and Camouflaged Object Detection
xiongxyowo的博客
07-02 1595
论文地址：https://arxiv.org/abs/2104.02628 代码地址：https://github.com/JingZhang617/Joint_COD_SOD 发表于：CVPR 2021 I. Intro 这个网络是用来进行显著目标检测与伪装目标检测的，并且在这两个任务上均达到了SOTA II. Network Architecture 一点一点来看： Xs : SOD数据集中的图像 Xc : COD数据集中的图像 EαsE_{\alpha_{s}}Eαs​​ : 用于SOD的E
《Uncertainty-aware Joint Salient Object and Camouflaged Object Detection》—CVPR2021—SOD+COD
qq_41820921的博客
07-07 874
文章：https://arxiv.org/abs/2104.02628 代码：https://github.com/JingZhang617/Joint_COD_SOD 摘要： 本文做的是显著性目标检测和伪装目标检测的联合学习任务。核心是利用这两个任务之间的矛盾信息共同提升两任务的性能。1、本文将COD中的强的正样本作为SOD中的弱的正样本，以此提升SOD模型的鲁棒性。2、介绍了一个相似性度量模型(“similarity measure” module),显式的为这两个任务之间矛盾的属性进行建模。3、
Uncertainty Aware Proposal Segmentation for Unknown Object Detection
m0_37833297的博客
05-18 819
Uncertainty Aware Proposal Segmentation for Unknown Object Detection 发表于WACV 2022 摘要 介绍 大背景 小背景 方法 3.1 proposal 分割 RBF 网络 边界正则化。 2D 维度中的小示例 3.2. Proposal Classification 4. Experiments 4.1. OOD Object Detection in Outdoor Scenes 提案分割。 整个图像分割。
【论文笔记】：LLA: Loss-aware Label Assignment for Dense Pedestrian Detection
Activewaste
01-18 1368
LLA论文笔记 LLA: Loss-aware Label Assignment for Dense Pedestrian Detection Zheng 代码 Summary 标签分配策略对检测器的性能影响很大，现有研究都是在常规的通用目标检测上做，不适用于密集行人检测场景。 作者提出了一种简单有效的分配策略，称为损失感知的标签分配（LLA），以提高人群场景中行人检测的性能。LLA首先计算每个锚点与GT对之间的分类（cls）和回归（reg）损失。然后将联合损失定义为cls和reg损失的加权总和作为分
【论文简述】Uncertainty awareness with adaptive propagation for mvs(Applied Intelligence 2023）
最新发布
qq_43307074的博客
12-19 1055
【论文简述】Uncertainty awareness with adaptive propagation for mvs(Applied Intelligence 2023）
复旦大学桂韬：Uncertainty—Aware Sequence Labeling
读芯术的博客
06-29 2407
不到现场，照样看最干货的学术报告！嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现...
【论文阅读】Uncertainty-aware Self-training for Text Classification with Few Label
来日可期的博客
12-15 366
预训练语言模型最近的成功关键取决于对下游任务的大量标记数据进行微调，这些数据通常获取成本昂贵或对于许多应用程序来说难以访问。我们将自我训练研究为最早的半监督学习方法之一，通过利用大规模未标记数据来完成目标任务，从而减少注释瓶颈。标准的自训练机制从未标记池中随机采样实例以生成伪标签并增强标记数据。我们提出了一种利用贝叶斯深度学习的最新进展，结合底层神经网络的不确定性估计来改进自我训练的方法。
【阅读笔记】《Uncertainty-Aware Curriculum Learning for Neural Machine Translation》(ACL2020)
程序员阿浪
07-22 1336
《Uncertainty-Aware Curriculum Learning for Neural Machine Translation》 学习目标：初步了解NMT领域知识，理解常用方法和术语 建议：新手可以先看整理的NMT常见术语，方便理解全文 摘要 神经机器翻译(NMT)已经被证明易于课程学习（curriculum learning），在不同的训练阶段，以简单-困难的顺序学习样本。关键难度包括数据难度和模型能力的评估。我们提出了具有不确定性意识的课程学习模式，这种模式的动机来源是：1) 翻译pair的
【论文理解】Uncertainty-Aware Few-Shot Image Classification
lijianyi0219的博客
10-14 3089
内容概览前言一、核心思想二、论文算法1.引入库2.读入数据三、实验结果总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、核心思想 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、论文算法 1.引入库 代码如下（示例）： import numpy as np import pandas
【CVPR 2021】高效计算的知识蒸馏：Computation-Efficient Knowledge Distillation via Uncertainty-Aware Mixup
梁瑛平的博客
08-08 551
【CVPR 2021】高效计算的知识蒸馏：Computation-Efficient Knowledge Distillation via Uncertainty-Aware Mixup论文地址：代码地址：主要问题：主要思路：具体实现：KD 的计算成本：不确定性感知混合策略：实验结果：联系作者：我的公众号： 论文地址： https://arxiv.org/abs/2012.09413 代码地址： https://github.com/xuguodong03/UNIXKD 主要问题： 与之前关注学生模型准确性
数据密集型 通信密集型_经典数据的超密集编码
weixin_26750481的博客
08-14 658
数据密集型 通信密集型My immediately-previous article titled, “130,780-point Quantum Classification,” the circuit of which used 20 qubits to map all that data, resulted in a Twitter thread that inspired me to th...
Uncertainty——CVPR 2021
catfishH的博客
10-18 3096
1. Uncertainty Guided Collaborative Training for Weakly Supervised Temporal Action Detection   2. Uncertainty-aware Joint Salient Object and Camouflaged Object Detection 3. Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimatio
CVPR 2021 | 上交和国科大提出DCL：旋转目标检测新方法
阿木寺的博客
03-05 2643
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文作者：yangxue |来源：知乎（已授权）https://zhuanlan.zhihu.com/p/354...
dense trajectories and motion boundary descriptors for action recognition
04-11
“密集轨迹和运动边界描述符的动作识别”是一个关于使用计算机视觉技术来识别人类动作的研究领域。其中，密集轨迹是一种从视频中提取的特征，可以对运动进行表示和描述。而运动边界描述符是一种用于捕捉运动的局部...
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