前段cvpr2019会议已经开完了,因为最近在做目标检测,所以特意整理了一下18-19年一些顶会的目标检测相关的经典论文,包含一些论文的简介、解读和官方源码,放在github上:
https://github.com/yyf7329081/18-19-object-detection-papers
论文列表如下,解读和代码链接见上方github地址:
- [SIN] Structure Inference Net: Object Detection Using Scene-Level Context and Instance-Level Relationships,CVPR2018
简介:利用场景和实例推理,提高识别正确率 - [STDN] Scale-Transferrable Object Detection,CVPR2018
简介:Densenet169+尺度变换模块+ssd框架,提高小物体识别率 - [RefineDet] Single-Shot Refinement Neural Network for Object Detection,CVPR2018
简介:将Faster RCNN和SSD结合 - [MegDet] MegDet: A Large Mini-Batch Object Detector,CVPR2018
简介:从大Mini-Batch的运用 和Batch Normalizatio(BN)的训练技巧出发,在训练方法上实现优化 - [DA Faster R-CNN] Domain Adaptive Faster R-CNN for Object Detection in the Wild,CVPR2018
简介:基于Faster-RCNN,进行领域自适应改进(似迁移学习),用在进行雾气,光线不良情况下的野外迁移探测活动(复杂多变的场景) - [SNIP] An Analysis of Scale Invariance in Object Detection,CVPR2018
简介:图像金字塔上检测相同大小,保留尺寸在指定范围之内的输出结果,解决尺度不变性问题 - [Relation-Network] Relation Networks for Object Detection,CVPR2018
简介:基于Faster RCNN系列算法引入object relation module来刻画物体之间的关系,来取代nms进行去重,且提升检测效果。 - [Cascade R-CNN] Cascade R-CNN: Delving into High Quality Object Detection,CVPR2018
简介:级联的RCNN,使用多个IoU threshold递增的header,每一级使用上一级refine过后的bbox作为输入。这样可以保证每一级的header都可以得到足够多的正样本,且正样本的质量可以逐级提升。 - [MLKP] Multi-scale Location-aware Kernel Representation for Object Detection,CVPR2018
简介:基于Faster-RCNN,不同卷积块中的多层特征,将它们连接成一个单一的特征图,然后计算这些特征图上的高阶统计量。引入了一个可训练的位置权重结构来评估不同位置的贡献,使我们的表示位置更加敏感。最后,将不同的表示顺序连接起来进行分类和回归。检测器更具辨别力,对小目标和遮挡物体检测提升效果显著。 - [Fitness NMS] Improving Object Localization with Fitness NMS and Bounded IoU Loss,CVPR2018
- [STDnet] STDnet: A ConvNet for Small Target Detection,BMVC2018
- [RFBNet] Receptive Field Block Net for Accurate and Fast Object Detection,ECCV’ 18
简介:基于SSD,在Inception的基础上加入了dilated膨胀卷积,增大了感受野,在保证速度的情况下,增加了检测精度。 - [CornerNet] CornerNet: Detecting Objects as Paired Keypoints,ECCV’ 18
简介:one-stage,通过将目标检测变为为成对关键点,达到anchor-free,引入了corner pooling,更好定位角点。 - [PFPNet] Parallel Feature Pyramid Network for Object Detection,ECCV’ 18
简介:one stage,借鉴了SPP的思想并通过MSCA特征融合,多尺度多特征图融合检测。 - [Softer-NMS] Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection,ECCV’ 18
- [ShapeShifter] ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector,ECML-PKDD-2018
- [Pelee] Pelee: A Real-Time Object Detection System on Mobile Devices,NIPS’ 18
简介:DesNet的变种版本PeleeNet,适用于移动端的轻量级网络。 - [HKRM] Hybrid Knowledge Routed Modules for Large-scale Object Detection,NIPS’ 18
- [MetaAnchor] MetaAnchor: Learning to Detect Objects with Customized Anchors,NIPS’ 18
- [SNIPER] SNIPER: Efficient Multi-Scale Training,NIPS’ 18
- [M2Det] M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network,AAAI2019
简介:主干网络中两个不同尺寸的特征图,进行多级U型网络得到Multi-level&Mutli-scale特征图,多级同尺寸的特征图融合,得到6个不同scale的多级特征金字塔,进行回归与分类。 - [R-DAD] Object Detection based on Region Decomposition and Assembly,AAAI2019
简介:针对two-stage检测框架的region proposal,把proprsal上下、左右分解后进行融合,从region proposal的阶段改善对部分遮挡物体的检测。 - [GIoU] Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression,CVPR2019
简介:提出用IoU这个直接的指标来指导回归任务的学习,用直接指标IoU作为损失函数的缺陷性,提出新的metric来代替L1、L2损失函数,从而提升regression效果 - Automatic adaptation of object detectors to new domains using self-training,CVPR2019
- [Libra R-CNN] Libra R-CNN: Balanced Learning for Object Detection,CVPR2019
简介:针对训练过程中的采样不平衡(简单负样本过多)、特征层不平衡(非相邻层级的语义信息变得稀释)、任务不平衡(分类与定位)进行改进。 - [FSAF] Feature Selective Anchor-Free Module for Single-Shot Object Detection
简介:RetinaNet+FSAF模块让每个instance自动的选择最合适的feature_map,选择的依据有原来的instance size变成了instance content。实现方法:anchor-free模块计算instance在所有feature_map进行预测后的损失,选择loss最小的作为该instance最佳的feature_map,并用anchor_based进行预测,提高检测精度。 - [ExtremeNet] Bottom-up Object Detection by Grouping Extreme and Center Points,CVPR2019
简介:Hourglass网络作为backbone,按照CornerNet的结构和损失函数,预测四个extreme point(顶、左、底、右)以及目标的中心点,完成检测。 - [C-MIL] Continuation Multiple Instance Learning for Weakly Supervised Object Detection,CVPR2019
- [ScratchDet] Training Single-Shot Object Detectors from Scratch,CVPR2019
简介:从优化的角度出发,通过实验解释了梯度稳定手段之一的 BatchNorm 是如何帮助随机初始化训练一阶段检测器 SSD,进而结合了 ResNet 与 VGGNet 来加强对小物体的检测。 - Bounding Box Regression with Uncertainty for Accurate Object Detection,CVPR2019
简介:提出了一中新的边界框回归损失算法,提高了各种检测体系的目标定位精度 - Activity Driven Weakly Supervised Object Detection,CVPR2019
- Towards Accurate One-Stage Object Detection with AP-Loss,CVPR2019
简介:提出一种新的训练框架,排序任务替换一阶目标检测器中的分类任务,AP来作为损失函数 - Strong-Weak Distribution Alignment for Adaptive Object Detection,CVPR2019
- [NAS-FPN] Learning Scalable Feature Pyramid Architecture for Object Detection,CVPR2019
简介:使用神经架构搜索(NAS)框架为RetinaNet框架发现更好的 FPN 架构。 - Towards Universal Object Detection by Domain Attention,CVPR2019
- Exploring the Bounds of the Utility of Context for Object Detection,CVPR2019
- Dissimilarity Coefficient based Weakly Supervised Object Detection,CVPR2019
- [GA-RPN] Region Proposal by Guided Anchoring,CVPR2019
简介:通过FPN预测 anchor 的位置和形状,生成稀疏而且形状任意的 anchor,并且设计Feature Adaption 模块来修正特征图使之与 anchor精确匹配 - A Simple Pooling-Based Design for Real-Time Salient Object Detection,CVPR2019
- [TridentNet] Scale-Aware Trident Networks for Object Detection
- [FCOS] Fully Convolutional One-Stage Object Detection