首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等)

一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/DIoU Loss等)

作者头像
Amusi
发布2019-12-11 17:32:08
2.6K0
发布2019-12-11 17:32:08
举报
文章被收录于专栏:CVerCVer

前言

半个月前 Amusi 整理了 目标检测(Object Detection)较为值得关注的论文:

一文看尽8篇目标检测最新论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等)

没想到目标检测的论文更新频率这么快(都9102年,还有这么多人玩检测),本文再次更新值得关注的最新检测论文。这次分享的paper将同步推送到 github上,欢迎大家 star/fork(点击阅读原文,也可直接访问):

https://github.com/amusi/awesome-object-detection

注意事项:

  • 本文分享的目标检测论文既含刷新Anchor-free mAP的目标检测论文,也有追求 mAP 和 FPS trade-off的论文
  • 论文发布时间段:2019年11月23日-2019年12月6日

目标检测论文


【1】多方向目标检测:水平边界框上的滑动顶点

《Gliding vertex on the horizontal bounding box for multi-oriented object detection》

时间:20191123

作者团队:华科(白翔组)&武大&上交

链接:https://arxiv.org/abs/1911.09358

注:本论文性能优于CAD-Net、R2CNN++,在DOAT上53.49mAP/10.0FPS!表现SOTA!

网络结构


【2】SM-NAS:结构到模块的神经体系结构搜索以进行目标检测

《SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection》

时间:20191125(AAAI 2020)

作者团队:华为诺亚&中山大学

链接:https://arxiv.org/abs/1911.09929

注:又一篇用NAS做目标检测的论文,在COCO上可达42.8mAP/20FPS!最高可达45.9mAP,优于同类的NAS-FPN和DetNAS

SM-NAS Pipeline


【3】基于PSNet和边框回归的弱监督目标检测(WSOD)

《WSOD with PSNet and Box Regression》

时间:20191127

作者团队:清华大学

链接:https://arxiv.org/abs/1911.11512

注:性能优于WSRPN、PCL等弱监督目标检测方法,表现SOTA!

WSOD 网络结构


【4】带有可见IoU和Box Sign预测器的遮挡性行人检测

《Occluded Pedestrian Detection with Visible IoU and Box Sign Predictor》

时间:20191127

作者团队:清华大学

链接:https://arxiv.org/abs/1911.11449

注:性能优于OR-CNN等网络

网络结构


【5】CSPNet:可以增强CNN学习能力的新型Backbone

《CSPNet: A New Backbone that can Enhance Learning Capability of CNN》

时间:20191128

作者团队:中央研究院資訊科學研究所&中国台湾交通大学

链接:https://arxiv.org/abs/1911.11929

https://github.com/WongKinYiu/CrossStagePartialNetworks

注:很棒的backbone,在检测任务上性能优于YOLOv3-tiny,CSPPeleeNet在Jetson TX2速度高达41FPS!现已开源


【6】ReBiF:残差双融合特征金字塔网络,用于精确的Single-shot目标检测

《Residual Bi-Fusion Feature Pyramid Network for Accurate Single-shot Object Detection》

时间:20191128

作者团队:中国台湾交通大学&阿联酋大学

链接:https://arxiv.org/abs/1911.12051

注:ReBiF在mAP和FPS上都优于YOLOv3和RFBNet等网络

Residual bi-fusion feature pyramid network


【7】目标检测的性能上界讨论

《Empirical Upper-bound in Object Detection and More》

时间:20191128

作者团队:西弗吉尼亚大学&MarkableAI

链接:https://arxiv.org/abs/1911.12451

注:在作者的计算方式下,PASCAL VOC (test2007) 的上界可以达到 91.6%,COCO (val2017) 可以达到 78.2%, OpenImages V4 (val) 可以达到 58.9%,它们的上界离现在所能达到的最佳的性能仍有很大的差距

解读:目标检测的性能上界讨论


【8】DIoU Loss:更快更好地学习边界框回归

《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

时间:20191129(AAAI 2020)

作者团队:天津大学&中国人民公安大学

链接:https://arxiv.org/abs/1911.08287

注:DIoU Loss对YOLOv3、SSD、Faster R-CNN都有明显涨点,现已开源!

解读:DIoU YOLOv3:更加稳定有效的目标框回归损失


【9】CoAE:用于One-Shot目标检测的共同注意和共同激励

《One-Shot Object Detection with Co-Attention and Co-Excitation》

时间:20191202(NeurIPS 2019)

作者团队:国立清华大学&中央研究院等

链接:https://arxiv.org/abs/1911.12529

代码:https://github.com/timy90022/One-Shot-Object-Detection

网络结构


【10】SAPD:Soft Anchor-Point目标检测

《Soft Anchor-Point Object Detection》

时间:20191202

作者团队:卡耐基梅隆大学(CMU)

链接:https://arxiv.org/abs/1911.12448

注:SAPD:目前最强Anchor-free目标检测网络,性能高达47.4mAP/4.5FPS!性能秒杀FreeAnchor、CenterNet、FSAF、FCOS和FoveaBox等

COCO test-dev Speed vs mAP

Training strategy


【11】MMOD:基于混合模型的目标检测边界框密度估计

《Mixture-Model-based Bounding Box Density Estimation for Object Detection》

时间:20191202

作者团队:首尔大学

链接:https://arxiv.org/abs/1911.12721

注:MMOD性能可达38.7 mAP/26FPS!但还是不如ASFF,代码即将开源

MMOD 网络结构


【12】IENet:方向性航空目标检测的One Stage Anchor Free检测器

《IENet: Interacting Embranchment One Stage Anchor Free Detector for Orientation Aerial Object Detection》

时间:20191203

作者团队:哈尔滨工程大学

链接:https://arxiv.org/abs/1912.00969

注:IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络

IENet Head


【13】MnasFPN:用于移动设备上目标检测的延迟感知的金字塔体系结构

《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices》

时间:20191204

作者团队:谷歌AI&谷歌大脑(Quoc V. Le大佬)

链接:https://arxiv.org/abs/1912.01106

注:MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLite

IMnasFPN 网络结构


【14】IPG-Net:用于目标检测的图像金字塔引导网络

《IPG-Net: Image Pyramid Guidance Network for Object Detection》

时间:20191205

作者团队:北京理工大学&三星

链接:https://arxiv.org/abs/1912.00632

注:在COCO上可达45.7mAP,在VOC上可达85.9,性能优于CenterNet、FSAF和SNIPER等网络

Model Backbone


【15】MAL:用于目标检测的多Anchor学习

《Multiple Anchor Learning for Visual Object Detection》

时间:20191206

作者团队:CMU&中科院等

链接:https://arxiv.org/abs/1912.02252

注:在single/multi-scale下,one-stage系列的MAL性能分别可达45.9/47.0 mAP!优于FreeAnchor、CenterNet等网络

MAL 思想

MAL 网络结构


【16】ATSS:缩小Anchor-free和Anchor-based的性能差距:通过自适应训练样本选择

《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》

时间:20191206

作者团队:中科院&国科大&北邮等

链接:https://arxiv.org/abs/1912.02424

代码:https://github.com/sfzhang15/ATSS

注:ATSS在COCO上,single/multi scale分别可达47.7和50.7mAP!很强势,现已开源!

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-12-09,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 CVer 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像识别
腾讯云图像识别基于深度学习等人工智能技术,提供车辆,物体及场景等检测和识别服务, 已上线产品子功能包含车辆识别,商品识别,宠物识别,文件封识别等,更多功能接口敬请期待。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档