CVPR 2020 目標檢測論文精選

2021-01-15 雷鋒網

字幕組雙語原文：CVPR 2020 目標檢測論文精選

英語原文：CVPR 2020: The Top Object Detection Papers

翻譯：雷鋒字幕組（李珺毅、沫年惜雪）

一、基於在點雲上的3D目標檢測的分層圖形網絡

原文標題：A Hierarchical Graph Network for 3D Object Detection on Point Clouds

這篇論文提出了一種基於圖卷積(gconv)的三維目標檢測層次圖網絡(hgnet)。這個網絡通過處理原始點雲，直接預測目標的3 d邊界框。對於檢測目標，HGNet能夠捕捉這些點之間的關係並且使用多層次語義。

HGNet包含三個主要組件:

一個基於U型圖卷積的網絡（gu-net）一個方案生成器一個方案推理模塊(ProRe Module) ----使用一個全連接層圖表來推理方案

作者提出一個注意形態的圖卷積 (SA-GConv)去捕捉原始的形狀特徵。這是通過建立模型的相對幾何位置來描述物體的形狀。

SA-GConv 基於u型網絡捕捉多層次特徵。然後映射到相同的特徵空間的投票模塊並且用於生成建議。在下一步中,GConv基於建議推理模塊，利用方案來預測邊框。

這裡是在sun rgb-d v1數據集上獲得的一些性能結果。

二、HVNET：基於雷射雷達的3D目標檢測的混合體素網絡

原文標題：HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection

這篇文章中使用的體素特徵編碼（VFE）包含3步：

體素化——將點雲分配給2D體素網絡體素特徵提取——計算和網絡相關的點的特徵，饋送到PointNet樣式的功能編碼器投影——將逐點特徵聚合到體素級特徵並投影到其原始網格。這就形成了一個偽圖像特徵映射

體素的大小在VFE方法中非常重要。較小的體素尺寸可以捕獲更精細的幾何特徵。它們也更擅長對象本地化，但推理時間更長。使用較粗的體素可以獲得更快的推理速度，因為這會導致較小的特徵圖。但是，它的性能較差。

作者提出了混合體素網絡（HVNet），以實現細粒度體素功能的利用。它由三個步驟組成：

多尺度體素化-創建一組特徵體素尺度並將它們分配給多個體素。混合體素特徵提取-計算每個比例的體素相關特徵，並將其輸入到關注特徵編碼器（AVFE）中。每個體素比例尺上的要素都是逐點連接的。動態要素投影-通過創建一組多比例項目體素將要素投影回偽圖像。

這是在KITTI數據集上的實驗結果

三、Point-GNN:用於3D目標檢測的點雲圖神經網絡

原文標題：Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud

本文作者提供了圖神將網絡---Point-GNN---在LiDAR點雲中檢測物體。該網絡預測了圖中每個頂點所屬對象的類別和形狀。Point-GNN有一個自動回歸機制，可以在一個輸入中檢測多個對象。

該方法由三個部分組成：

圖構造:使用體素下採樣點雲進行圖構造一種T迭代的圖形神經網絡邊界框合併和得分

以下是在KITTI數據集上獲得的結果：

代碼：WeijingShi/Point-GNN

四、偽裝目標檢測

原文標題：Camouflaged Object Detection

本文針對偽裝對象檢測(COD)所面臨的挑戰，對嵌入在其周圍環境中的目標進行檢測。作者還提供了一個名為COD10K的新數據集。它包含10,000張圖片，覆蓋了許多自然場景中偽裝的物體。它具有78個對象類別。 圖像帶有類別標籤，邊界框，實例級別和消光級別的標籤。

作者開發了一個稱為搜索識別網絡(SINet)的COD框架。代碼可以在這裡找到：DengPingFan/SINet

該網絡有兩個主要模塊：

用於搜尋偽裝物體的搜索模塊識別模塊(IM)用於檢測對象

以下是在各個數據集上得到的結果：

五、基於注意力- RPN和多關係檢測器的少目目標檢測

原文標題：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

本文提出了一種少鏡頭目標檢測網絡，其目標是檢測含有少量注釋示例的不可見類別目標。

他們的方法包括注意力- RPN、多關係檢測器和對比訓練策略。該方法利用少鏡頭支持集和查詢集之間的相似性來識別新對象，同時減少了誤識別。作者還提供了一個包含1000個類別的新數據集，其中的對象具有高質量的注釋。

fanq15/Few-Shot-Object-Detection-Dataset

該網絡體系結構由一個具有多個分支的權重共享框架組成，一個分支是查詢集，其他分支是支持集。權重共享框架的查詢分支是一個更快的R-CNN網絡。

介紹了一種帶有多關係模塊的注意- rpn和檢測器，用於在支持和查詢中可能出現的框之間精確解析。

下面是在ImageNet數據集上獲得的一些結果。

以下是一些在一些數據集上獲得的觀察結果。

六、D2Det:面向高質量的對象檢測和實例分割

原文標題：D2Det: Towards High-Quality Object Detection and Instance Segmentation

本文作者提出了D2Det，一種既能精確定位又能精確分類的方法。他們引入了一個稠密的局部回歸來預測一個目標建議區域的多個稠密盒偏移量。這使他們能夠實現精確的定位。

為了實現準確的分類，本文還引入了一種有區別的RoI pooling方案。pooling方案從該方案的多個子區域中抽取樣本，並進行自適應加權以獲得識別特徵。

代碼：JialeCao001/D2Det

該方法基於標準的Faster R-CNN框架。在該方法中，傳統的Faster R-CNN的盒偏置回歸被提出的密集局部回歸所代替。在該方法中，通過區分性的RoI pooling來增強分類能力。

在兩階段方法中，第一階段使用區域建議網絡(RPN)，第二階段使用單獨的分類和回歸分支。分類分支是基於區分池的。局部回歸分支的目標是對象的精確定位。

以下是MS COCO數據集的結果:

思考

CVPR 2020提供了更多關於目標檢測和其他計算機視覺任務的探索和思考，如果您想進一步研究，這裡的開源倉庫包含所有的會議論文。

CVPR 2020 Open Access Repository

雷鋒字幕組是一個由 AI 愛好者組成的翻譯團隊，匯聚五百多位志願者的力量，分享最新的海外AI資訊，交流關於人工智慧技術領域的行業變革與技術創新的見解。

團隊成員有大數據專家、算法工程師、圖像處理工程師、產品經理、產品運營、IT諮詢人、在校師生；志願者們來自IBM、AVL、Adobe、阿里、百度等知名企業，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內外高校研究所。

如果，你也是位熱愛分享的AI愛好者。歡迎與雷鋒字幕組一起，學習新知，分享成長。

雷鋒網雷鋒網

相關焦點

  • 做目標檢測,這6篇就夠了:CVPR 2020目標檢測論文盤點
    CVPR 2020 會議上，有哪些目標檢測論文值得關注？目標檢測是計算機視覺中的經典問題之一。憑藉大量可用數據、更快的 GPU 和更好的算法，現在我們可以輕鬆訓練計算機以高精度檢測出圖像中的多個對象。前不久結束的 CVPR 2020 會議在推動目標檢測領域發展方面做出了一些貢獻，本文就為大家推薦其中 6 篇有價值的目標檢測論文。
  • 300篇 CVPR 2019 Oral 論文精選匯總,值得一看的 CV 論文都在這裡
    CVPR 2019 Oral 論文精選PDF下載地址：https://ai.yanxishe.com/page/resourceDetail/819CVPR 2019 全部論文PDF合集下載地址：論文連結：https://xuanyidong.com/publication/cvpr-2019-gradient-based-diff-sampler/15.Sim-Real Joint Reinforcement Transfer for 3D Indoor Navigation
  • ECCV 2020 目標檢測論文大盤點(49篇論文)
    2D 目標檢測旋轉目標檢測視頻目標檢測弱監督目標檢測域自適應目標檢測Few-Shot 目標檢測水下目標檢測目標檢測對抗攻擊其他2D目標檢測ECCV 2020 目標檢測論文大盤點2D 目標檢測Detection論文：https://www.ecva.net/papers/eccv_2020/papers_ECCV/html/4943_ECCV_2020_paper.php弱監督目標檢測Many-shot from Low-shot: Learning to Annotate
  • 歷年 CVPR 最佳論文盤點(2000 年——2018 年)
    （接收論文列表：http://cvpr2019.thecvf.com/files/cvpr_2019_final_accept_list.txt）正當學界紛紛議論各單位獲接收論文多寡的當兒，雷鋒網 AI 科技評論為大家精心整理了一份從 2000 年——2018 年的 CVPR 最佳論文清單，藉此對這批計算機領域的重要論文進行複習。
  • 22篇入選CVPR 2020,百度 15 篇精選論文詳解
    2、目標檢測&跟蹤論文：Associate-3Ddet: Perceptual-to-Conceptual association for 3D Point Cloud Object Detection
  • CVPR 2020 | 商湯提出 Anchor-free 目標檢測新網絡
    本文介紹的是CVPR2020論文《CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection》，作者來自商湯 。
  • CVPR 2017國內外亮點論文匯集:史上最盛大會議,華人佔據半壁江山
    論文四：Deep Self-Taught Learning for Weakly Supervised Object Localization簡介：本文提出依靠檢測器自身不斷改進訓練樣本質量，不斷增強檢測器性能的一種全新方法，破解弱監督目標檢測問題中訓練樣本質量低的瓶頸。
  • CVPR論文解讀:非常高效的物體檢測Mimic方法
    然而直接套用該方法在檢測任務中，效果很差，因此作者進行了進一步的探索。首先，對於常見的檢測網絡如Faster-RCNN、RFCN、SSD等進行分析，可以發現，它們主要包含兩部分，分別為feature extractor以及feature decoder。
  • CVPR 2019錄取結果公布,7篇新鮮好文推薦
    相信在接下來的一段時間裡，陸續會有更多人公布自己論文結果了。新智元也會對此結果進行跟進。 下面，我們重點推薦7篇CVPR 2019的新鮮熱文，包括目標檢測、圖像分類、3D目標檢測、3D重建、點雲分割等主題，一睹為快！論文列表來自中科院自動化所博士生朱政的CV arXiv Daily。
  • 輪廓檢測論文解讀 | Richer Convolutional Features| CVPR | 2017
    0 概述論文名稱：「Richer Convolutional Features for Edge Detection」論文連結：https://openaccess.thecvf.com/content_cvpr_2017/papers/Liu_Richer_Convolutional_Features_CVPR_2017_paper.pdf
  • 目標檢測挑戰真實複雜場景 深蘭科技摘CVPR2020四冠
    近日，全球計算機視覺頂級會議CVPR2020圓滿落幕，深蘭科技DeepBlueAI團隊斬獲了NightOwls Detection Challenge 2020 「單幀行人檢測」和「多幀行人檢測」兩個賽道、UG2+ 挑戰賽霧天條件下的(半)監督目標檢測任務、NTIRE 2020 ：
  • CVPR 2020論文收錄揭曉:百度22篇論文入選 涵蓋全視覺領域
    近日，計算機視覺領域「奧斯卡」CVPR 2020官方公布論文收錄結果，伴隨投稿數量激增，接收率開始經歷了一個持續下降的過程。今年，在6656篇有效投稿中，共有1470篇論文被接收，接收率為22%左右，相較去年25%的入選率，同比下降3%。在論文接收率下降的同時，中國科技企業被錄取論文數量卻不降反增，百度作為AI代表企業今年中選22篇，比去年的17篇增加了5篇。
  • 年度最精彩研究,CVPR 2017六篇最佳論文介紹(附打包下載)| CVPR...
    」的頂級水平的實時物體檢測系統，它可以檢測的物體種類達到了9000種。這樣的準確率不僅超越了目前最好的帶有 ResNet 和 SSD 的 Faster R-CNN，而且運行速度還明顯更快。論文中最後還提出了一種將物體檢測和物體分類合併訓練的方法，論文作者們藉助這種方法，同時運用物體檢測數據集 COCO 和物體分類數據集 ImageNet 訓練得到了 YOLO9000。
  • 華人問鼎CVPR!最佳論文最佳學生論文一作均為華人,清華最高產機構
    大數據文摘出品史上最難的的CVPR2020終於來了！由於疫情影響，今年原定於6.14開始的線下討論會改成位於西雅圖的線上會議。在剛剛結束的CVPR 2020 開幕式上，悉數公布了本屆CVPR最佳論文、最佳學生論文等獎項。值得一提的是，兩個獎項的論文一作均為華人。
  • 【CVPR2018最佳論文重磅出爐】斯坦福伯克利折桂,何愷明獲TPAMI年輕研究員獎
    我們提供了一套用於計算和檢測這種分類結構的工具，包括一個求解器，用戶可以使用它為他們的用例設計有效的監督策略。>Deep Learning of Graph Matching作者：Andrel Zanfir, Cristian Sminchisescu地址：http://openaccess.thecvf.com/content_cvpr
  • 增量學習不只有finetune,三星AI提增量式少樣本目標檢測算法|CVPR...
    作者 | VincentLee來源 | 曉飛的算法工程筆記該論文研究了非常有意義的增量式少樣本目標檢測場景iFSD(Incremental Few-Shot Detection)，場景設置如下：檢測模型可以在包含充足樣本的基礎類別上進行訓練
  • ML算法實現10萬高壓非晶矽原子模擬;E2E單階段目標檢測
    機器之心 & ArXiv Weekly Radiostation參與：杜偉、楚航、羅若天本周的重要論文包括牛津大學等機構的學者利用機器學習算法實現 10 萬高壓非晶矽原子的模擬，以及香港大學和字節跳動 AI 實驗室研究者提出的端到端單階段目標檢測器
  • 西工大王鵬教授課題組論文被計算機視覺頂級會議CVPR2020錄用
    西工大新聞網2月26日電（王寧 高揚）2月24日，我校計算機學院王鵬教授課題組論文被2020年IEEE國際計算機視覺與模式識別會議(IEEE Conference on Computer今年CVPR共收到的投稿超過7000篇，有效論文投稿為6656篇，最終收錄數量為1470篇，收錄率為22.0%。本論文由西北工業大學與澳大利亞阿德萊德大學合作完成，題目是"NAS-FCOS: Fast Neural Architecture Search for Object Detection"，研一學生王寧和高揚為該論文的共同第一作者。
  • CVPR2020 人體相關文章 - 2
    Body RelatedCVPR 2020 PapersCVPR 2020 人體相關的文章第二彈，第一彈見這裡，主要包含人體重建，2D/3D姿態估計，還有幾篇其他方面的人體文章，最後還包含幾篇人手重建相關的文章。  每一篇都超越了 state-of-the-art，每一篇都有可能是現在的 state-of-the-art！
  • 全球計算機視覺頂會CVPR 2020論文出爐:騰訊優圖17篇論文入選
    全球計算機視覺頂級會議CVPR2020 (IEEE Conference on Computer Vision and Pattern Recognition，即IEEE國際計算機視覺與模式識別會議) 即將於2020年6月14日-19日在美國西雅圖召開。本屆大會總共錄取來自全球論文1470篇，騰訊優圖實驗室入選17篇。