- 博客(2)
- 收藏
- 关注
RSS订阅原创 基于梯度引导的显著性蒸馏的无监督目标检测
为了利用硬样本（难学的样本，本文中将显著性得分接近0.5的像素定义为难例），本文作者认为所有样本应该以有意义的顺序（即从高可靠性到低可靠性）使用，这对于从噪声标签中挖掘准确的知识是至关重要的。如图3所示，对比了四种梯度函数，除本文提出的方法外，其他方法在训练过程中保持一致，但本文的损失函数从开始为难例分配低梯度，以便从样本中学习可靠的显著性知识，随着训练的进行，难例的梯度越来越大，以挖掘更有价值的显著性知识。相反，难例中的显著性知识隐藏在噪声中，在网络训练的早期阶段可能会破坏脆弱的显著性模式。
2023-10-06 23:22:39
163
原创 A Survey of the Four Pillars for Small Object Detection，2022
首先，小目标覆盖的像素较少，用于检测的特征不足，特征表示能力较弱，通用目标检测器在区域建议阶段较大的锚框尺寸导致小目标收到较少的关注甚至被忽略。具体来说，虽然更深的层代表更大的感受野，更强的语义，对变形、重叠和光照变化具有更高的鲁棒性，但特征图的分辨率变得更低，丢失了更多的细节信息。随着视频数据的不断增加，与静态图像相比，视频中的目标检测提供了更多的后续信息和更丰富的信息，相关工作引起了广泛的关注。然而，由于小目标的像素有限，构建小对象数据集需要花费大量的时间，并且正确放置用于IOU评估的边界框是困难的。
2023-10-06 16:59:23
100
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