————————計算機視覺研究院專欄————————
掃描二維碼 關注我們
微信公眾號 : 計算機視覺研究院
知乎專欄：計算機視覺戰隊
不知不覺2020年已經進入12月，ECCV2020也告一段落，今天「計算機視覺研究院」給大家分享目標檢測領域優秀的算法及框架！主要包括：弱監督目標檢測、目標檢測定位提精、帶方向目標的檢測、Anchor-free 目標檢測、點雲目標檢測和少樣本目標檢測等。ECCV2020所有論文下載地址：https://www.ecva.net/index.php。
Many-shot from Low-shot: Learning to Annotate using Mixed Supervision for Object Detection作者 | Carlo Biffi, Steven McDonagh, Philip Torr, Ales Leonardis, Sarah Parisot單位 | 華為；Mila Montr´eal；牛津大學論文地址 | https://arxiv.org/abs/2008.09694
該文提出online annotation module(OAM)，它學習從更大體積的弱標記圖像中生成一組多鏡頭的注釋。OAM可以與任何全監督的兩階段目標檢測方法聯合訓練，提供額外的訓練注釋。這導致了一個全端到端的策略，只需要一組low-shot的全注釋圖像。
作者 | Yunhang Shen, Rongrong Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu
單位 | 廈門大學；Pinterest；南科大；騰訊優圖（上海）
論文地址 | https://arxiv.org/abs/2008.09694
GitHub | https://github.com/shenyunhang/DRN-WSOD
作者 | Yuanyi Zhong, Jianfeng Wang, Jian Peng, Lei Zhang
單位 | 伊利諾伊大學厄巴納-香檳分校；微軟
論文地址 |
https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710613.pdf
GitHub | https://github.com/mikuhatsune/wsod_transfer
提出了一個有效的知識遷移框架，以提高弱監督目標檢測的準確性，藉助外部全注釋源數據集，其類別可能不與目標域重疊。由於存在許多現成的檢測數據集，這種設置具有很大的實用價值。為了更有效地利用源數據集，作者提出通過一類通用檢測器迭代地從源域遷移知識，並學習目標域檢測器。目標域檢測器在每次迭代中挖掘的box-level pseudo有效地改進了一類通用檢測器。因此，源數據集中的知識得到了更徹底的開發和利用。
作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang
單位 | 雪梨大學，商湯CV研究小組；中科院&國科大；商湯
論文地址 | https://arxiv.org/pdf/2004.12178.pdf
GitHub | 暫無
提出了一種通用而有效的訓練前範式，Montage預訓練用於目標檢測。Montage預訓練只需要目標檢測數據集，而與廣泛採用的ImageNet相比，該http URL構建了這樣一個高效的範式，通過仔細地從原始圖像中提取有用的樣本，以Montage的方式組裝樣本作為輸入，以及使用ERF自適應密集分類策略進行模型預訓練來減少潛在的冗餘。這些設計不僅包括一種新的輸入模式來提高空間利用率，而且還包括一種新的學習目標，以擴大預先訓練模型的有效接受領域。
Process of our Dense Classification Strategy
作者 | Jiaqi Wang, Wenwei Zhang, Yuhang Cao, Kai Chen, Jiangmiao Pang, Tao Gong, Jianping Shi, Chen Change Loy, Dahua Lin
單位 | 香港中文大學；南洋理工大學；商湯；浙大；國科大
論文地址 | https://arxiv.org/pdf/2004.12178.pdf
GitHub | https://github.com/open-mmlab/mmdetection
本文提出Side-Aware Boundary Localization(SABL)以取代傳統的bbox回歸。提取關注於邊界內容的邊緣感知特徵用來定位。提出使用該特徵的輕量級two-step bucketing方法以精確定位目標。同時引入重打分(rescore)機制，利用bucket的置信度來保留高質量的bbox。在各種目標檢測流程中，SABL均展現了一致且重大的性能提升。本文通過對回歸方法的分析，觀察到更簡單精確回歸到邊界框的方法，設計的整體框架很精巧，思路很清晰，而且每個方法的提出都很明確，值得一觀。
作者 | Zhiming Chen, Kean Chen, Weiyao Lin, John See, Hui Yu, Yan Ke, Cong Yang
單位 | 擴博智能Clobotics；上海交通大學；多媒體大學
論文地址 | https://arxiv.org/abs/2007.09584
GitHub | https://github.com/clobotics/piou
使用定向邊界框(OBB)的目標檢測可以通過減少與背景區域的重疊來更好地針對旋轉的目標。現有的OBB方法主要是建立在水平邊界框檢測器上，通過引入一個額外的角度尺寸來優化距離損失。然而，由於距離損失只最小化了OBB的角度誤差，並且它與IoU鬆散相關，所以它對高寬比的物體不敏感。因此，提出了一種新的損失Pixels-IoU(PioU)損失，利用角度和IoU進行精確的OBB回歸。PIoU Loss是由IoU度量導出的，具有像素級形式，簡單，適用於水平和定向邊界框。實驗結果表明，PIoU Loss可以顯著提高OBB檢測器的性能，特別是在高寬比和複雜背景的物體上。
作者 | Xue Yang, Junchi Yan
單位 | 上海交通大學
論文地址 | https://arxiv.org/abs/2003.05597
GitHub | https://github.com/Thinklab-SJTU/CSL_RetinaNet_Tensorflow
亮點：1）將角度預測這個回歸問題視為分類問題，同時結合了回歸任務，提高了檢測的性能。2）提出CSL來解決邊界不連續的問題。
概要：觀察到基於回歸的旋轉檢測器存在邊界不連續的問題，設計了將回歸任務的角度預測轉變為分類任務；
提出了一種圓形平滑標籤技術（CSL） 來處理角度的周期性問題，增加了對相鄰角度的誤差範圍；
介紹了CSL中的四個窗口函數，並討論不同窗口半徑對檢測性能的影響。
註：Anchor-free 目標檢測、點雲目標檢測和少樣本目標檢等內容下期我們繼續給大家分享！
我們開創「計算機視覺協會」知識星球一年有餘，也得到很多同學的認可，我們定時會推送實踐型內容與大家分享，在星球裡的同學可以隨時提問，隨時提需求，我們都會及時給予回復及給出對應的答覆。如果想加入我們「計算機視覺研究院」，請掃二維碼加入我們。我們會按照你的需求將你拉入對應的學習群！