开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在目标检测中训练出假阳性

是指在训练模型过程中，模型错误地将负样本（非目标）错误地预测为正样本（目标）。这种情况可能会导致模型在实际应用中产生误报，即将非目标物体错误地识别为目标物体。

为了减少训练出假阳性的情况，可以采取以下措施：

数据预处理：对训练数据进行筛选和清洗，确保负样本和正样本的标注准确无误。同时，可以通过数据增强技术，如旋转、缩放、平移等操作，增加训练数据的多样性，提高模型的泛化能力。
调整模型参数：通过调整模型的超参数，如学习率、正则化项等，可以优化模型的训练过程，减少假阳性的产生。
使用更多的负样本：增加负样本的数量，使模型更加充分地学习到负样本的特征，从而减少假阳性的发生。
引入更复杂的模型结构：使用更复杂的目标检测模型，如Faster R-CNN、YOLO等，这些模型具有更强的特征提取和分类能力，可以有效减少假阳性的产生。
结合其他技术：可以结合其他技术，如图像分割、图像去噪等，进一步提高目标检测的准确性，减少假阳性的发生。

腾讯云相关产品推荐：

腾讯云图像识别（https://cloud.tencent.com/product/imagerecognition）：提供了丰富的图像识别能力，包括目标检测、图像分类等，可用于训练目标检测模型并应用于实际场景。
腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）：提供了强大的机器学习能力，包括模型训练、模型部署等，可用于训练目标检测模型并进行模型优化。
腾讯云视频智能分析（https://cloud.tencent.com/product/vca）：提供了视频智能分析能力，包括目标检测、行为分析等，可用于训练目标检测模型并应用于视频监控等场景。

以上是针对目标检测中训练出假阳性的问题的一些解决方法和腾讯云相关产品的推荐。希望对您有所帮助！

相关搜索:在深度学习对象检测中，如何计算真阳性(TP)？假阳性谓词函数类型在流中检查返回其参数为负的函数在背景几乎相似的图像中检测目标有没有办法在静态方法中检测目标类？在xamarin中检测图像中的目标的最佳方法是什么？Google Android ML Kit在目标检测过程中只给出类别在实时摄像机目标检测中，如何关闭摄像机并离开盒子在tensorflow ModelMaker中，是否有可能将目标检测模型的训练偏向于分类？网络营销邮件网络邮件系统

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

CVPR2021：IoU优化——在Anchor-Free中提升目标检测精度（附源码）

目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。

02

IoU优化——在Anchor-Free中提升目标检测精度（附源码）

目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。

01

CVPR：IoU优化——在Anchor-Free中提升目标检测精度（附源码）

计算机视觉研究院专栏作者：Edison_G 目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式 1 简要目前的anchor-free目标检测器非常简单和有效，但缺乏精确的标签分配方法，这限制了它们与经典的基于Anchor的模型竞争的潜力，这些模型由基于IoU度量的精心设计的分配方法支持。今天分享中，研究者提出了伪IoU：一个简单的度量

02

YOLOX-ViT来啦｜怎么才有效？YOLOX与Transformer用知识蒸馏交出完美答卷

在过去的几十年里，探索海洋环境的兴趣日益增长，这导致了水下活动范围的扩大，如基础设施开发[1]和考古探索[2]。由于水下条件的不可预测和通常是未知的特点，自主水下航行器（AUVs）在执行从调查到维护等各种任务中变得至关重要。AUVs能够根据预定义计划进行数据收集和执行水下操作。

01

论文分享 | 恶劣天气下的3D目标检测

LiDAR是真实世界三维感知任务的重要传感器之一，但当光学介质中存在水或雪粒子时，这些粒子与激光束相互作用，具体表现为吸收、反射或折射激光束。这种相互作用产生了两种显著的影响：一是导致LiDAR的接收到的物体反射功率发生衰减；二是粒子的后向散射造成接收功率出现伪最大值，进而在不同于目标真实距离的范围内产生伪回波。因此，由于强烈的噪声干扰，捕获的点云会发生与正常天气下相差较大的域移位，从而导致测量质量严重下降。这一现象对3D目标检测等高级任务的性能产生不利的影响。接下来将介绍三个与之相关的研究工作：

01

Domain Adaptation for Object Detection on Foggy Days

多雾天气给户外摄像监控系统带来了很多困难。在雾天，介质的光学衰减和散射效应会使场景辐射产生明显的畸变和退化，使其变得嘈杂和难以分辨。针对这一问题，本文提出了一种基于颜色和深度域的目标检测方法。为了防止错误传播问题，我们在训练过程之前清除深度信息，并从数据库中删除错误样本。采用区域自适应策略自适应地融合颜色域和深度域的决策。在实验中，我们评估了深度信息对雾天目标检测的贡献。通过与其他方法的比较，实验验证了多域自适应策略的优越性。

00

A.深度学习基础入门篇[二]：机器学习常用评估指标:AUC、mAP、IS、FID、Perplexity、BLEU、ROUGE等详解

A.深度学习基础入门篇二：机器学习常用评估指标:AUC、mAP、IS、FID、Perplexity、BLEU、ROUGE等详解

03

ECCV2020 | CPNDet：Anchor-free+两阶段目标检测思想，先找关键点再分类

论文地址：https://arxiv.org/abs/2007.13816.pdf

03

ReliableStudent | 减轻噪声伪标签的半监督3D目标检测方法，超越 KITTI 3D目标检测在点云水平！

在深度学习近期发展的推动下，图像分类和目标检测领域已取得显著进展。大量数据集的可用性有助于加速这些进步。然而，为大规模数据集标注仍然是瓶颈，特别是对于2D和3D目标检测。半监督方法（SSA）已提出以解决此问题。与监督方法不同，这些方法仅需要有限数量的标注数据进行训练，其余数据未标注。

01

α-IoU | 再助YOLOv5登上巅峰，造就IoU Loss大一统

Bounding box 回归通过预测目标的bbox来定位图像/视频中的目标，这是目标检测、定位和跟踪的基础。例如，最高级的目标检测器通常由一个bbox回归分支和一个分类分支组成，其中bbox回归分支生成用于定位对象进行分类的bbox。在这项工作中，作者探索了更有效的损失函数。

05

A.深度学习基础入门篇[二]：机器学习常用评估指标:AUC、mAP、IS、FID、Perplexity、BLEU、ROUGE等详解

机器学习的评价指标有精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、ROC、AUC等指标，还有在生物领域常用的敏感性、特异性等指标。

04

Soft-NMS – Improving Object Detection With One Line of Code

非最大抑制是目标检测流程的重要组成部分。首先，它根据所有检测框的得分对它们进行排序。选择得分最大的检测框M，抑制与M有显著重叠(使用预定义阈值)的所有其他检测框。这个过程递归地应用于其余的框。按照算法的设计,如果一个目标重叠在预定义的阈值,就丢弃它。为此,我们提出Soft-NMS,衰变的算法检测的所有其他目标作为一个连续函数的重叠与m。因此，没有目标在这一过程中消除。Soft-NMS获得一致的改善coco-stylemAP指标，在标准数据集PASCAL VOC 2007 (RFCN 和Faster-RCNN上为) MS-COCO (R-FCN上1.3% 和Faster-RCNN上为 .1%) 没有过改变任何额外的hyper-parameters。NMS算法使用Deformable R-FCN，Sost-NMS在单一模型下将目标检测的最新水平从39.8%提高到40.9%。此外，Soft-NMS和传统的NMS计算复杂度很接近，因此能够有效实现。由于Soft-NMS不需要任何额外的训练，而且易于实现，因此可以轻松地集成到任何目标检流程中。

02

RepVGG-GELAN | 融合 VGG、ShuffleNet 与 YOLO 图像检测的准确性及效率再上一层！

鉴于高发病率和死亡率，脑肿瘤是全球健康关注的重点问题。通过利用深度学习算法等最先进技术，自动化检测技术可以有效解决脑肿瘤识别的挑战。将自动化检测融入医疗流程，有望通过革新脑肿瘤的管理方式显著提高患者疗效和医疗服务，尤其是随着技术的发展。最先进的目标检测方法YOLO在估算每个网格单元的类别概率和边界框时，将输入图像划分为网格。

01

Dynamic Anchor Learning for Arbitrary-Oriented Object Detection

任意方向的目标广泛出现在自然场景、航拍照片、遥感图像等，任意方向的目标检测受到了广泛的关注。目前许多旋转检测器使用大量不同方向的锚点来实现与ground truth框的空间对齐。然后应用交叉-联合(IoU)方法对正面和负面的候选样本进行训练。但是我们观察到，选择的正锚点回归后并不能总是保证准确的检测，而一些阴性样本可以实现准确的定位。这说明通过IoU对锚的质量进行评估是不恰当的，进而导致分类置信度与定位精度不一致。本文提出了一种动态锚学习(DAL)方法，利用新定义的匹配度综合评价锚的定位潜力，进行更有效的标签分配过程。这样，检测器可以动态选择高质量的锚点，实现对目标的准确检测，缓解分类与回归的分歧。在新引入的DAL中，我们只需要少量的水平锚点就可以实现对任意方向目标的优越检测性能。在三个遥感数据集HRSC2016、DOTA、UCAS-AOD以及一个场景文本数据集ICDAR 2015上的实验结果表明，与基线模型相比，我们的方法取得了实质性的改进。此外，我们的方法对于使用水平边界盒的目标检测也是通用的。

01

Unbiased Teacher v2: Semi-supervised Object Detection for Anchor-free and Anchor-based Detectors

随着最近半监督目标检测（SS-OD）技术的发展，目标检测器可以通过使用有限的标记数据和丰富的未标记数据来改进。然而，仍有两个挑战没有解决：（1）在无锚检测器上没有先期的SS-OD工作，（2）在伪标签边界框回归时，先期工作是无效的。在本文中，我们提出了Unbiased Teacher v2，它显示了SS-OD方法在无锚检测器上的通用性，同时也为无监督回归损失引入了Listen2Student机制。特别是，我们首先提出了一项研究，检查现有的SS-OD方法在无锚检测器上的有效性，发现它们在半监督环境下取得的性能改进要低得多。我们还观察到，在半监督环境下，无锚检测器中使用的带 centerness 的框选择和基于定位的标签不能很好地工作。另一方面，我们的Listen2Student机制明确地防止在训练边界框回归时出现误导性的伪标签。边界框回归的训练中明确防止误导性的伪标签；我们特别开发了一种新的伪标签选择机制，该机制基于教师和学生的相对不确定性。和学生的相对不确定性为基础的新型伪标签选择机制。这一想法有助于在半监督环境下对回归分支进行了有利的改进。我们的方法，既适用于我们的方法适用于无锚和基于锚的方法，在VOC、 COCO-standard和COCO-additional中一直优于最先进的方法。

02

稀疏&集成的卷积神经网络学习（续）

昨天跟大家详细的说了分类，定位的一些相关知识，今天把剩下的最后一点知识给大家补充完整，也感谢大家一直的支持，谢谢！昨天的推送告诉大家了分类方案，我们再温习一下：今天我们简单的说说“基于类别聚合的

06

COOPERATING RPN’S IMPROVE FEW-SHOT OBJECTDETECTION

学习从很少的训练例子中检测图像中的目标是具有挑战性的，因为看到建议框的分类器只有很少的训练数据。当有一个或两个训练例子时，就会出现一个特别具有挑战性的训练方案。在这种情况下，如果区域建议网络(RPN)甚至漏掉一个高相交-联集(IOU)训练框，分类器的目标外观如何变化的模型就会受到严重影响。我们使用多个不同但相互协作的RPN。我们的RPN被训练成不同的，但不是太不同；这样做产生了显著的性能改进的状态的艺术COCO和PASCAL VOC在非常少的样本设置。这种效果似乎独立于分类器或数据集的选择。

01

YOLOv5：道路损伤检测

GRDDC'2020 数据集是从印度、日本和捷克收集的道路图像。包括三个部分：Train, Test1, Test2。训练集包括带有 PASCAL VOC 格式 XML 文件标注的道路图像。在给参赛者的数据Test1 和 Test2 中是没有标注。train则包含标注。

05

视觉显著性目标检测综述（一）

作为视觉注意力机制在目标分割任务上的延拓，并作为计算机视觉任务中非常重要的预处理步骤之一，显著性目标检测在立体匹配、图像理解、动作识别、视频检测和分割、语义分割、医学图像分割、目标跟踪、行人重识别、伪装目标检测以及图像检索等领域中发挥着非常重要的作用，如图1所示。由此可见，显著性目标检测有着广泛的应用价值和重要的研究意义。

03

SimD：自适应相似度距离策略提升微小目标检测性能！

凡本公众号注明“来源：XXX（非集智书童）”的作品，均转载自其它媒体，版权归原作者所有，如有侵权请联系我们删除，谢谢。

01

CVPR 2022 | 南大提出：Structured Sparse R-CNN：单阶段端到端场景图生成器

本文介绍我们在场景图生成 (Scene Graph Generation, SGG) 领域的工作——Structured Sparse R-CNN for Direct Scene Graph Generation。本工作将端到端稀疏目标检测器引入场景图生成领域，并提出了相应的关系建模组件和训练策略。该模型在 Visual Genome, Open Image V4/V6 数据集上取得了 SOTA 效果。论文和代码及模型已经开源：

06

Cross-Domain Car Detection Using UnsupervisedImage-to-Image Translation: From Day to Night

深度学习技术使最先进的模型得以出现，以解决对象检测任务。然而，这些技术是数据驱动的，将准确性委托给训练数据集，训练数据集必须与目标任务中的图像相似。数据集的获取涉及注释图像，这是一个艰巨而昂贵的过程，通常需要时间和手动操作。因此，当应用程序的目标域没有可用的注释数据集时，就会出现一个具有挑战性的场景，使得在这种情况下的任务依赖于不同域的训练数据集。共享这个问题，物体检测是自动驾驶汽车的一项重要任务，在自动驾驶汽车中，大量的驾驶场景产生了几个应用领域，需要为训练过程提供注释数据。在这项工作中，提出了一种使用来自源域（白天图像）的注释数据训练汽车检测系统的方法，而不需要目标域（夜间图像）的图像注释。为此，探索了一个基于生成对抗网络（GANs）的模型，以实现生成具有相应注释的人工数据集。人工数据集（假数据集）是将图像从白天时域转换到晚上时域而创建的。伪数据集仅包括目标域的注释图像（夜间图像），然后用于训练汽车检测器模型。实验结果表明，所提出的方法实现了显著和一致的改进，包括与仅使用可用注释数据（即日图像）的训练相比，检测性能提高了10%以上。

02

End-to-End Object Detection with Fully Convolutional Network

基于全卷积网络的主流目标检测器已经取得了很好的表现。然而大多数检测器仍旧需要一个手动设计的NMS后处理流程，阻碍了端到端的训练。

04

半监督目标检测超强SOTA：Consistent-Teacher（附论文下载）

在本研究中，研究者深入研究了半监督目标检测（SSOD）中伪目标的不一致性。核心观察结果是，振荡的伪目标破坏了精确的半监督检测器的训练。它不仅给学生的训练注入了噪声，而且导致了分类任务的严重过拟合。因此，研究者提出了一个系统的解决方案，称为一致教师，以减少不一致。首先，自适应锚分配（ASA）取代了基于静态IoU的策略，使学生网络能够抵抗噪声伪边界盒；然后，通过设计三维特征对齐模块（FAM-3D）来校准子任务预测。它允许每个分类特征在任意尺度和位置自适应地查询回归任务的最优特征向量。最后，高斯混合模型（GMM）动态地修正了伪框的得分阈值，从而稳定了基本事实的数量

03

谷歌用深度机器算法检测癌症，准确率高过医学博士！

在检查患者的生物组织样品后，病理学家的报告通常是许多疾病的黄金诊断标准。特别是对于癌症，病理学家的诊断对患者的治疗具有深远的影响。病理切片审查是一个非常复杂的任务，需要多年的培训才能做好，丰富的专业知识和经验也是必不可少的。尽管都经过培训，但不同病理学家对同一患者给出的诊断结果，可能存在实质性的差异，而这可能导致误诊。例如，在某些类型的乳腺癌诊断中，诊断结论一致性竟低至48％，前列腺癌诊断的一致性也同样很低。诊断缺乏一致性低并不少见，因为如果想做出准确的诊断，必须检查大量的信息。病理学家通常只负责审查一

05

CVPR2023高质量论文 | Consistent-Teacher：半监督目标检测超强SOTA

在本研究中，研究者深入研究了半监督目标检测（SSOD）中伪目标的不一致性。核心观察结果是，振荡的伪目标破坏了精确的半监督检测器的训练。它不仅给学生的训练注入了噪声，而且导致了分类任务的严重过拟合。因此，研究者提出了一个系统的解决方案，称为一致教师，以减少不一致。首先，自适应锚分配（ASA）取代了基于静态IoU的策略，使学生网络能够抵抗噪声伪边界盒；然后，通过设计三维特征对齐模块（FAM-3D）来校准子任务预测。它允许每个分类特征在任意尺度和位置自适应地查询回归任务的最优特征向量。最后，高斯混合模型（GMM）动态地修正了伪框的得分阈值，从而稳定了基本事实的数量

04

ADA-YOLO | YOLOv8+注意力+Adaptive Head，相对YOLOv8，mAP提升3%+118FPS

近年来，目标检测技术取得了显著的进展，使得可以实现对解剖结构、病变或异常的自动识别和定位。多年来，目标检测方法取得了重大的进步，这是由于大规模的带有标注的数据集的出现和深度学习技术的开发所驱动的。这些技术在改善医疗诊断和治疗结果方面展示出巨大的潜力。

01

动态 | 准确率远超人类病理学家！谷歌用深度学习算法检测癌症

AI科技评论按：为了解决诊断时间有限和诊断结果不一致的问题，谷歌研究院正在研究如何让深度学习在数字病理学领域发挥作用，通过创建一个自动检测算法，在病理学家的工作流中提供辅助工具。本文作者为谷歌的技术主管Martin Stumpe和产品经理Lily Peng，由AI科技评论编译。在检查患者的生物组织样品后，病理学家的报告通常是许多疾病的黄金诊断标准。特别是对于癌症，病理学家的诊断对患者的治疗具有深远的影响。病理切片审查是一个非常复杂的任务，需要多年的培训才能做好，丰富的专业知识和经验也是必不可少的。尽管

09

高精度肺结节自动检测方案 | 算法解析

👆点击“博文视点Broadview”，获取更多书讯随着经济的发展，以及人口老龄化、环境污染的加剧，肺癌已经成为全球发病率和死亡率最高的癌症之一[1]。肺癌没有明显的早期症状。虽然肺癌的早期切除可以有效提高患者的生存率，但多数自然就诊的患者发现肺癌时已属中晚期，错过了最佳治疗时机。因此，肺癌的预防和早期发现成为癌症控制的重点之一。我国的多项研究表明，通过低剂量CT进行肺癌筛查，有助于肺癌的早期发现并提高肺癌检出率，应在健康体检人群中积极开展[2]。然而，在实际应用中，肺癌的筛查和预防面临很大的挑战

02

Semi-supervised learning-based satellite remote sensing object detection method for power transmissi

众所周知，随着电网的日益复杂，传统的输电塔人工测量方法已经失效，无法满足安全稳定运行的要求。尽管卫星遥感技术的发展为输电塔的高效稳定测量提供了新的前景，但仍有许多问题需要解决。由于恶劣的气候和成像设备的限制，遥感图像中的一些输电塔目标是模糊的，这使得生成数据集和实现高精度输电塔目标检测变得极其困难。为了进一步提高发射塔的检测精度，首次将基于暗通道先验的图像增强算法应用于遥感图像，提高了图像的可解释性。然后，考虑到增强图像中仍有一些传输塔无法手动标记，采用了一种基于伪标记的半监督学习方法来最大限度地利用现有数据。基于这一高质量的数据集，利用移动倒瓶颈卷积和可变形卷积构建了一个传输塔卫星遥感目标检测模型。最后，根据我国某地区的卫星遥感图像数据集进行了烧蚀和对比实验。实验结果表明，图像增强和半监督学习方法都能提高检测精度，与现有主流模型相比，该方法性能更好。

01

你的模型是不是换个场景就不行了？CAT 的完美设计解决类内偏差，场景自适应的目标检测就这么诞生了

Foggy Cityscapes数据集上，作者获得了52.5 mAP，相比于最先进方法的51.2 mAP，这是一个显著的提升。

01

工业检测：基于密集尺度特征融合&像素级不平衡学习框架（论文下载）

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2203.09387v1.pdf 计算机视觉研究院专栏作者：Edison_G 知识蒸馏已成功应用于图像分类。然而目标检测要复杂得多，大多数知识蒸馏方法都失败了。 01 前言边缘检测是计算机视觉领域的一项基本任务，是视觉场景识别和理解的重要预处理操作。在常规模型中，生成的边缘图像模糊不清，边缘线也很粗，这通常需要使用非

02

低光图像目标检测的研究成果总结

1、A Novel Method to Compensate Variety of Illumination In Face Detection

02

原来鉴黄师的KPI是这样的

欣赏人体艺术的精神需求，以及教育未成年人的现实需求，如何统一这两者，就成了一个亟待解决的问题。

05

重磅|基于深度学习的目标检测综述(一）

作者：叶虎编辑：黄俊嘉前言图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型（详情见[这里](https://medium.com/comet-app/review-of-deep-learning-algorithms-for-image-classification-5fdbca4a05e2)）是将图像划分为单个类别，通常对应于图像中最突出的物体。但是现实世界的很多图片通常包含不只一个物体，此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的，并不准确。对于这

05

【目标检测Anchor-Free】CVPR 2019 ExtremeNet（相比CornerNet涨点5.3%）

继续Anchor-Free探索。前面介绍了【目标检测Anchor-Free】ECCV 2018 CornerNet，相信大家对Anchor-Free目标检测算法有基本的认识和理解了。但是在介绍这个论文的时候最后提到CornerNet最大的瓶颈在于角点检测的不准确，这篇文章主要针对这一点进行了改进，提出了ExtremeNet。论文原文和代码见附录。

01

[计算机视觉论文速递] 2018-04-17

[1]《Towards Improved Cartoon Face Detection and Recognition Systems》

02

目标检测多模型集成方法总结

前段时间推送了文章：难以置信的目标检测小妙招：多训练几个epochs，平均一下就能获得更好的模型，不少朋友对模型集成感兴趣，本文是个小总结。

02

DSNet:Joint Semantic Learning for Object

近五十年来，基于卷积神经网络的目标检测方法得到了广泛的研究，并成功地应用于许多计算机视觉应用中。然而，由于能见度低，在恶劣天气条件下检测物体仍然是一项重大挑战。在本文中，我们通过引入一种新型的双子网(DSNet)来解决雾环境下的目标检测问题。该双子网可以端到端训练并共同学习三个任务：能见度增强、目标分类和目标定位。通过包含检测子网和恢复子网两个子网，DSNet的性能得到了完全的提高。我们采用RetinaNet作为骨干网络(也称为检测子网)，负责学习分类和定位目标。恢复子网通过与检测子网共享特征提取层，采用特征恢复模块增强可见性来设计。实验结果表明我们的DSNet在合成的有雾数据集上达到了50.84%的mAP，在公开的有雾自然图像数据集上达到了41.91%的精度。性能优于许多最先进的目标检测器和除雾和检测方法之间的组合模型，同时保持高速。

02

2D-Driven 3D Object Detection in RGB-D Images

在本文中，我们提出了一种在RGB-D场景中，在目标周围放置三维包围框的技术。我们的方法充分利用二维信息，利用最先进的二维目标检测技术，快速减少三维搜索空间。然后，我们使用3D信息来定位、放置和对目标周围的包围框进行评分。我们使用之前利用常规信息的技术，独立地估计每个目标的方向。三维物体的位置和大小是用多层感知器(MLP)学习的。在最后一个步骤中，我们根据场景中的目标类关系改进我们的检测。最先进的检测方法相比,操作几乎完全在稀疏的3D域,在著名的SUN RGB-D实验数据集表明,我们建议的方法要快得多(4.1 s /图像)RGB-D图像中的3目标检测和执行更好的地图(3)高于慢是4.7倍的最先进的方法和相对慢两个数量级的方法。这一工作提示我们应该进一步研究3D中2D驱动的目标检测，特别是在3D输入稀疏的情况下。

03

2020422 | 10篇计算机视觉检测分类相关论文(附GitHub代码)

Instance-aware, Context-focused, and Memory-efficient Weakly Supervised Object Detection

02

Super-Resolution on Object Detection Performance in Satellite Imagery

探讨了超分辨率技术在卫星图像中的应用，以及这些技术对目标检测算法性能的影响。具体来说，我们提高了卫星图像的固有分辨率，并测试我们能否以比固有分辨率更高的精度识别各种类型的车辆、飞机和船只。使用非常深的超分辨率(VDSR)框架和自定义随机森林超分辨率(RFSR)框架，我们生成了2×、4×和8×的增强级别，超过5个不同的分辨率，范围从30厘米到4.8米不等。使用本地和超解析数据，然后使用SIMRDWN对象检测框架训练几个定制的检测模型。SIMRDWN将许多流行的目标检测算法(如SSD、YOLO)组合成一个统一的框架，用于快速检测大型卫星图像中的目标。这种方法允许我们量化超分辨率技术对跨多个类和分辨率的对象检测性能的影响。我们还量化了目标检测的性能作为一个函数的本机分辨率和目标像素大小。对于我们的测试集，我们注意到性能从30 cm分辨率下的平均精度(mAP) = 0.53下降到4.8 m分辨率下的mAP = 0.11。从30厘米图像到15厘米图像的超级分辨效果最好;mAP改进了13 - 36%。对于较粗的分辨率而言，超级分辨率的好处要小一些，但仍然可以在性能上提供小的改进。

00

小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案

近年来，目标检测在人脸检测、视频目标检测、视频监控、自动驾驶汽车等不同应用领域得到了广泛的研究。在这一领域，深度学习架构的采用导致产生了高度精确的方法，如Faster R-CNN、RetinaNet，进一步发展为Cascade R-CNN、VarifocalNet和变体。

02

AI检测即将发力：3万+疑似病例诊断，100+抗疫定点医院即将部署

一位新冠肺炎病人的CT影像大概在300张左右，平均一个病例医生靠肉眼分析需要5-15分钟。护目镜有时受到雾气的影响，影响视力，也必须慎之又慎，既要鉴别出普通肺炎、结核以及肺部肿瘤等，又不能放过任何一个疑似病例。“火眼金睛”之下是一线医生与日骤增的压力。

03

可以建立一个机器学习模型来监控另一个模型吗

从表面上看，这听起来很合理。机器学习模型也会出错。让我们利用这些错误，训练另一个模型来预测第一个模型的错误!有点像“信任探测器”，基于我们的模型过去的表现。

02

DETR即插即用 | RefineBox进一步细化DETR家族的检测框，无痛涨点

例如，对于DETR，Conditinal-DETR，DAB-DETR和DN-DETR，性能提升分别为2.4 AP，2.5 AP，1.9 AP和1.6 AP。作者希望作者的工作能引起检测领域对当前DETR-like模型的定位Bottleneck的关注，并突出了RefineBox框架的潜力。代码和模型：https://github.com/YiqunChen1999/RefineBox

03

TorchMetrics：PyTorch的指标度量库

非常简单实用的PyTorch模型的分布式指标度量库，配合PyTorch Lighting实用更加方便。

03

目标检测的福音 | 如果特征融合还用FPN/PAFPN？YOLOX+GFPN融合直接起飞，再涨2个点

目标检测任务是计算机视觉领域中最基本但最具挑战性的研究任务之一。该任务的目标是预测输入图像中每个物体的唯一边界框，该边界框不仅包含物体的位置信息，还包括框内物体的类别信息。近年来，这一任务得到了广泛的发展和应用，例如在自动驾驶和计算机辅助医学诊断等领域。当前主流的目标检测方法大致可以分为两类。一类是基于卷积神经网络（CNN）作为 Backbone 网络的方法，另一类是基于Transformer作为 Backbone 网络的方法。使用CNN作为 Backbone 网络的方法包括两阶段（如Faster R-CNN）方法和单阶段（如SSD和YOLO）方法。由于物体大小的不确定性，单个特征尺度的信息无法满足高精度识别性能的要求。

01

KITTI数据集简介与使用

摘要：本文融合了Are we ready for Autonomous Driving? The KITTI Vision Benchmark Suite和Vision meets Robotics:

03

YOLO系列的落地 | YOLOv7+注意力机制在农业上的应用

随着技术的发展，监控设备在农业中发挥着巨大的作用。有多种方法可以监测个体动物的行为，例如插入芯片记录生理数据、使用可穿戴传感器和（热）成像技术。一些方法使用附着在鸟类脚上的可穿戴传感器来测量它们的活动，但这可能会对受监测的动物产生额外影响。特别是，在商业环境中，技术限制和高成本导致这种方法的可行性低。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭