专栏首页CVer德克萨斯大学提出:One-stage目标检测最强算法 ExtremeNet

德克萨斯大学提出:One-stage目标检测最强算法 ExtremeNet

前戏

最近出了很多论文,各种SOTA。比如(点击可访问):

今天头条推送的是目前人脸检测方向的SOTA论文:改进SRN人脸检测算法本文要介绍的是目前(2019-01-26) one-stage目标检测中最强算法:ExtremeNet。

正文

《Bottom-up Object Detection by Grouping Extreme and Center Points》

arXiv: https://arxiv.org/abs/1901.08043

github: https://github.com/xingyizhou/ExtremeNet

作者团队:UT Austin

注:2019年01月23日刚出炉的paper

Abstract:With the advent of deep learning, object detection drifted from a bottom-up to a top-down recognition problem. State of the art algorithms enumerate a near-exhaustive list of object locations and classify each into: object or not. In this paper, we show that bottom-up approaches still perform competitively. We detect four extreme points (top-most, left-most, bottom-most, right-most) and one center point of objects using a standard keypoint estimation network. We group the five keypoints into a bounding box if they are geometrically aligned. Object detection is then a purely appearance-based keypoint estimation problem, without region classification or implicit feature learning. The proposed method performs on-par with the state-of-the-art region based detection methods, with a bounding box AP of 43.2% on COCO test-dev. In addition, our estimated extreme points directly span a coarse octagonal mask, with a COCO Mask AP of 18.9%, much better than the Mask AP of vanilla bounding boxes. Extreme point guided segmentation further improves this to 34.6% Mask AP.

Illustration of our object detection method

Illustration of our framework

Illustration of our object detection method

基础工作

  • Extreme and center points
  • Keypoint detection
  • CornerNet
  • Deep Extreme Cut

创新点

  • Center Grouping
  • Ghost box suppression
  • Edge aggregation
  • Extreme Instance Segmentation

实验结果

ExtremeNet有多强,看下面的图示就知道了,在COCO test-dev数据集上,mAP为43.2,在one-stage detector中,排名第一。可惜的是没有给出时间上的对比,论文中只介绍说测试一幅图像,耗时322ms(3.1 FPS)。

State-of-the-art comparison on COCO test-dev

本文分享自微信公众号 - CVer(CVerNews),作者:Amusi

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-01-26

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。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • [计算机视觉论文速递] 2018-07-07 CVPR 图像分割专场1

    这篇文章有 2篇论文速递,都是图像分割方向(CVPR 2018),一篇提出CCB-Cut损失,另一篇是对FCN网络进行了改进。注意,两篇都是CVPR 2018文...

    Amusi
  • 一文看尽21篇目标检测最新论文(腾讯/Google/商汤/旷视/清华/浙大/CMU/华科/中科院等)

    CVer 有几天没更新论文速递了,主要是这段时间的论文太多,而且质量较高的论文也不少,所以为了方便大家阅读,我已经将其中的目标检测(Object Detecti...

    Amusi
  • CVPR2019 | 10篇论文速递(涵盖全景分割、实例分割和姿态估计等方向)

    【导读】CVPR 2019 接收论文列表已经出来了,但只是一些索引号,所以并没有完整的论文合集。CVer 最近也在整理收集,今天一文涵盖10篇 CVPR 201...

    Amusi
  • PHP优化设置

    Zach
  • 【Python机器学习】K-Means聚类和主成分分析(附源码)

    从本周开始,推送一个系列关于 Python 机器学习 。为了保证内容的原汁原味。我们采取全英的推送。希望大家有所收获。提高自己的英语阅读能力和研究水平。 K-...

    量化投资与机器学习微信公众号
  • 研发:Idea工具因为版本工具设置问题,导致全是红色

    I have the current status of my files in the folders coloured red/brown. I tried...

    heidsoft
  • POJ 1017 Packets

    Packets Time Limit: 1000MS Memory Limit: 10000K Total Submissions: 53686...

    Angel_Kitty
  • 径向模糊效果

    逍遥剑客
  • 用于构建数字助理的用户在环自适应意图检测(cs AI)

    人们越来越习惯使用数字助理(DAs)与服务或连接的对象进行交互。但是,对于非编程用户,定制他们的DA的可能性是有限的,不包括教授助理新任务的可能性。为了最大限度...

    RockNPeng
  • InfoGAN、GAN训练不稳定因素分析

    Many people have recommended me the infoGAN paper, but I hadn't taken the time t...

    用户1908973

扫码关注云+社区

领取腾讯云代金券