一文看尽16篇目标检测最新论文(ATSS/MnasFPN/SAPD/CSPNet/SM-NAS等)

发布网友 发布时间：2024-10-05 05:48

我来回答

共1个回答

热心网友 时间：2024-10-20 12:40

多方向目标检测：水平边界框上的滑动顶点

《Gliding vertex on the horizontal bounding box for multi-oriented object detection》

时间：20191123

作者团队：华科(白翔组)&武大&上交

链接：arxiv.org/abs/1911.0935...

注：本论文性能优于CAD-Net、R2CNN++，在DOTA上53.49mAP/10.0FPS！表现SOTA！

SM-NAS：结构到模块的神经体系结构搜索以进行目标检测

《SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection》

时间：20191125（AAAI 2020）

作者团队：华为诺亚&中山大学

链接：arxiv.org/abs/1911.0992...

注：又一篇用NAS做目标检测的论文，在COCO上可达42.8mAP/20FPS！最高可达45.9mAP，优于同类的NAS-FPN和DetNAS

基于PSNet和边框回归的弱监督目标检测(WSOD)

《WSOD with PSNet and Box Regression》

时间：20191127

作者团队：清华大学

链接：arxiv.org/abs/1911.1151...

注：性能优于WSRPN、PCL等弱监督目标检测方法，表现SOTA！

带有可见IoU和Box Sign预测器的遮挡性行人检测

《Occluded Pedestrian Detection with Visible IoU and Box Sign Predictor》

时间：20191127

作者团队：清华大学

链接：arxiv.org/abs/1911.1144...

注：性能优于OR-CNN等网络

网络结构

CSPNet：可以增强CNN学习能力的新型Backbone

《CSPNet: A New Backbone that can Enhance Learning Capability of CNN》

时间：20191128

作者团队：研究院资讯科学研究所&交通大学

链接：arxiv.org/abs/1911.1192...

代码：github.com/WongKinYiu/C...

注：很棒的backbone，在检测任务上性能优于YOLOv3-tiny，CSPPeleeNet在Jetson TX2速度高达41FPS！现已开源

ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测

《Residual Bi-Fusion Feature Pyramid Network for Accurate Single-shot Object Detection》

时间：20191128

作者团队：交通大学&阿联酋大学

链接：arxiv.org/abs/1911.1205...

注：ReBiF在mAP和FPS上都优于YOLOv3和RFBNet等网络

目标检测的性能上界讨论

《Empirical Upper-bound in Object Detection and More》

时间：20191128

作者团队：西弗吉尼亚大学&MarkableAI

链接：arxiv.org/abs/1911.1245...

注：在作者的计算方式下，PASCAL VOC (test2007) 的上界可以达到 91.6%，COCO (val2017) 可以达到 78.2%， OpenImages V4 (val) 可以达到 58.9%，它们的上界离现在所能达到的最佳的性能仍有很大的差距解读： 目标检测的性能上界讨论

DIoU Loss：更快更好地学习边界框回归

《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

时间：20191129（AAAI 2020）

作者团队：天津大学&中国人民大学

链接：arxiv.org/abs/1911.0828...

注：DIoU Loss对YOLOv3、SSD、Faster R-CNN都有明显涨点，现已开源！

CoAE：用于One-Shot目标检测的共同注意和共同激励

《One-Shot Object Detection with Co-Attention and Co-Excitation》

时间：20191202（NeurIPS 2019）

作者团队：国立清华大学&研究院等

链接：arxiv.org/abs/1911.1252...

代码：github.com/timy90022/On...

SAPD：Soft Anchor-Point目标检测

《Soft Anchor-Point Object Detection》

时间：20191202

作者团队：卡耐基梅隆大学(CMU)

链接：arxiv.org/abs/1911.1244...

注：SAPD：目前最强Anchor-free目标检测网络，性能高达47.4mAP/4.5FPS！性能秒杀FreeAnchor、CenterNet、FSAF、FCOS和FoveaBox等

MMOD：基于混合模型的目标检测边界框密度估计

《Mixture-Model-based Bounding Box Density Estimation for Object Detection》

时间：20191202

作者团队：首尔大学

链接：arxiv.org/abs/1911.1272...

注：MMOD性能可达38.7 mAP/26FPS！但还是不如ASFF，代码即将开源

IENet：方向性航空目标检测的One Stage Anchor Free检测器

《IENet: Interacting Embranchment One Stage Anchor Free Detector for Orientation Aerial Object Detection》

时间：20191203

作者团队：哈尔滨工程大学

链接：arxiv.org/abs/1912.0096...

注：IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络

MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构

《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices》

时间：20191204

作者团队：谷歌AI&谷歌大脑(Quoc V. Le大佬)

链接：arxiv.org/abs/1912.0110...

注：MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLite

IPG-Net：用于目标检测的图像金字塔引导网络

《IPG-Net: Image Pyramid Guidance Network for Object Detection》

时间：20191205

作者团队：北京理工大学&三星

链接：arxiv.org/abs/1912.0063...

注：在COCO上可达45.7mAP，在VOC上可达85.9，性能优于CenterNet、FSAF和SNIPER等网络

MAL：用于目标检测的多Anchor学习

《Multiple Anchor Learning for Visual Object Detection》

时间：20191206

作者团队：CMU&中科院等

链接：arxiv.org/abs/1912.0225...

注：在single/multi-scale下，one-stage系列的MAL性能分别可达45.9/47.0 mAP！优于FreeAnchor、CenterNet等网络

ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择

《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》

时间：20191206

作者团队：中科院&国科大&北邮等

链接：arxiv.org/abs/1912.0242...

代码：github.com/sfzhang15/AT...

注：ATSS在COCO上，single/multi scale分别可达47.7和50.7mAP！很强势，现已开源！