[计算机视觉论文速递] 2018-07-06 目标检测CVPR专场

导言

这篇文章有2篇论文速递,都是目标检测方向,一篇是RefineNet,其是SSD算法、RPN网络和FPN算法的结合,另一篇是DES,其是基于SSD网络进行了改进。注意,两篇都是CVPR 2018文章。

编辑: Amusi

校稿: Amusi

前戏

Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨,还请见谅。喜欢的童鞋,欢迎star、fork和pull。

直接点击“阅读全文”即可访问daily-paper-computer-vision

link: https://github.com/amusi/daily-paper-computer-vision

目标检测(Object Detection)

《Single-Shot Refinement Neural Network for Object Detection》

CVPR 2018

Architecture of RefineDet

Detection results on PASCAL VOC dataset

Abstract:对于目标检测,两阶段方法(例如,更快的R-CNN)已经实现了最高精度,而一阶段方法(例如,SSD)具有高效率的优点。为了继承两者的优点,同时克服它们的缺点,在本文中,我们提出了一种新的基于single-shot的检测器,称为RefineDet,它比两阶段方法获得更好的精度,并保持一阶段方法的检测效率。 RefineDet由两个相互连接的模块组成,即 anchor refinement 模块和目标检测模块。具体地,前者旨在(1)过滤掉negative anchor以减少分类器的搜索空间,以及(2)粗略地调整anchor的位置和大小以为随后的回归器提供更好的初始化。后一模块将精细anchor作为前者的输入,以进一步改进回归并预测多类别标签。同时,我们设计了一个传输连接块来传输锚点细化模块中的特征,以预测对象检测模块中对象的位置,大小和类别标签。多任务丢失功能使我们能够以端到端的方式训练整个网络。 PASCAL VOC 2007,PASCAL VOC 2012和MS COCO的大量实验证明,RefineDet可以高效地实现最先进的检测精度。

arXiv:https://arxiv.org/abs/1711.06897

github:https://github.com/sfzhang15/RefineDet

注:之后会推出该论文的精读文章!

《Single-Shot Object Detection with Enriched Semantics》

CVPR 2018

Pipeline for DES

Segmentation branch

Abstract:我们提出了一种新颖的 single-shot 目标检测网络,名为“Detection with Enriched Semantics”(DES)。我们的动机是通过语义分割分支和全局激活模块来丰富典型深度检测器内目标检测特征的语义。分割分支由弱分割ground-truth监督,即,不需要额外的注释。与此同时,我们采用全局激活模块,以自我监督的方式学习通道和对象类之间的关系。PASCAL VOC和MS COCO检测数据集的综合实验结果证明了该方法的有效性。特别是,使用基于VGG16的DES,我们在VOC2007测试中实现了81.7的mAP,在COCO测试开发上实现了32.8的mAP,在Titan Xp GPU上每个图像的推断速度为31.5毫秒。 使用较低分辨率的版本,我们在VOC2007上实现了79.7的mAP,每张图像的推断速度为13.0毫秒。

arXiv:https://arxiv.org/abs/1712.00433

注:之后会推出该论文的精读文章!

原文发布于微信公众号 - CVer(CVerNews)

原文发表时间:2018-07-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏marsggbo

论文笔记系列-Efficient Neural Architecture Search via Parameter Sharing

本文提出超越神经架构搜索(NAS)的高效神经架构搜索(ENAS),这是一种经济的自动化模型设计方法,通过强制所有子模型共享权重从而提升了NAS的效率,克服了NA...

5081
来自专栏机器之心

学界 | 旷视&清华大学提出新型两步检测器Light-Head R-CNN

3366
来自专栏计算机视觉战队

分割算法——可以分割一切目标(各种分割总结)

周末应该是一个好好休息的时间,但是一定会有在默默努力科研的你,由于最近是开学季,很多关注的朋友一直会问“计算机视觉战队平台有基础性的内容吗?”,今天我和大家说一...

6074
来自专栏null的专栏

利用Theano理解深度学习——Convolutional Neural Networks

注:本系列是基于参考文献中的内容,并对其进行整理,注释形成的一系列关于深度学习的基本理论与实践的材料,基本内容与参考文献保持一致,并对这个专题起名为“利用The...

4579
来自专栏机器学习之旅

R开发:协调过滤推荐

对于realRatingMatrix有六种方法:IBCF(基于物品的推荐)、UBCF(基于用户的推荐)、PCA(主成分分析)、RANDOM(随机推荐)、SVD(...

1012
来自专栏AI研习社

理解 YOLO 目标检测

这篇文章从它的角度解释了YOLO目标检测结构。它将不会描述网络的优缺点以及每个网络设计如何选择的原因。相反的,它关注的是网络是如何工作的。在你阅读之前,你应该对...

1883
来自专栏AI科技大本营的专栏

如何用TensorFlow实现基于深度学习的图像补全?看完这篇就明白了

作者|Brandon Amos 译者|@MOLLY && 寒小阳 简介 第一步:将图像理解为一个概率分布的样本 你是怎样补全缺失信息的呢? 但是怎样着手统...

2K10
来自专栏Python中文社区

Python机器学习算法入门之梯度下降法实现线性回归

專 欄 ❈ ZZR,Python中文社区专栏作者,OpenStack工程师,曾经的NLP研究者。主要兴趣方向:OpenStack、Python爬虫、Pytho...

3245
来自专栏机器之心

入门 | 如何通过梯度检验帮助实现反向传播

1335
来自专栏大数据文摘

​tensorflow实现基于深度学习的图像补全

6935

扫码关注云+社区

领取腾讯云代金券