资源推荐Ⅱ：三篇计算机视觉目标检测论文及源代码

01

目标检测：CornerNet

论文名称：

CornerNet: Detecting Objects as Paired Keypoints

论文链接：

https://arxiv.org/abs/1808.01244

代码链接：

https://github.com/umich-vl/CornerNet

论文简介：

CornerNet认为Two-stage目标检测最明显的缺点是区域候选阶段需要提取的anchor boxes。因此提出了一种新的目标检测方法，使用单个卷积神经网络将目标边界框检测为一对关键点（即边界框的左上角和右下角）。通过将目标检测为成对关键点，消除了现有的one stage检测器设计中对一组anchors的需要。除了上述新颖的构想，文章还引入了corner pooling，这是一种新型的池化层，可以帮助网络更好地定位边界框的角点。CornerNet在MS COCO上实现了42.1％的AP，优于所有现有的one stage检测器。

论文结果：

02

目标检测：MultiBox

论文名称：

Scalable Object Detection using Deep Neural Networks

论文下载：

http://arxiv.org/abs/1312.2249

代码链接：

https://github.com/google/multibox

论文简介：

文献主要提出了使用DNN用于物体检测，主要的贡献点有下面三个：将物体检测问题定义为一个多个边框的坐标的回归问题；将边框检测器的训练作为神经网络训练的一部分；对于边界检测的训练过程中，不考虑类别的信息。

论文结果：

03

目标检测：RON

论文名称：

RON: Reverse Connection with Objectness Prior Networks for Object Detection

论文下载：

https://arxiv.org/abs/1707.01691

代码链接：

https://github.com/taokong/RON

论文简介：

在全卷积架构下，RON 主要关注两个基本问题：（a）多尺度对象定位和（b）负样本挖掘。为了解决（a），我们设计了反向连接，使网络能够检测多层 CNN 中的对象。为了处理（b），我们提出了 objectness prior，显著减少对象搜索空间。我们通过多任务损失函数联合优化了反向连接、objectness prior 和对象检测，因此RON 可以直接预测各种特征图所有位置的最终检测结果。

论文结果：

专栏简介：Mark.AI每日不定时更新，更新内容主要为人工智能与深度学习领域的论文开源源代码，用知识修炼心灵，以智慧对话世界，在这里，持续感受人工智能技术的魅力。

Mark.AI

推荐