炼数成金 门户 商业智能 深度学习 查看内容

一文看尽16篇目标检测最新论文

2019-12-9 10:55| 发布者: 炼数成金_小数| 查看: 47042| 评论: 0|原作者: Amusi|来自: CVer

摘要: 没想到目标检测的论文更新频率这么快(都9102年,还有这么多人玩检测),本文再次更新值得关注的最新检测论文。本文分享的目标检测论文既含刷新Anchor-free mAP的目标检测论文,也有追求 mAP 和 FPS trade-off的论文 ...
前言
半个月前 Amusi 整理了 目标检测(Object Detection)较为值得关注的论文:
一文看尽8篇目标检测论文(EfficientDet/EdgeNet/ASFF/RoIMix/SCL/EFGRNet等)

没想到目标检测的论文更新频率这么快(都9102年,还有这么多人玩检测),本文再次更新值得关注的检测论文。这次分享的paper将同步推送到 github上,欢迎大家 star/fork(点击阅读原文,也可直接访问):

https://github.com/amusi/awesome-object-detection

注意事项:
本文分享的目标检测论文既含刷新Anchor-free mAP的目标检测论文,也有追求 mAP 和 FPS trade-off的论文
论文发布时间段:2019年11月23日-2019年12月6日

目标检测论文
【1】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:https://arxiv.org/abs/1911.09358
注:本论文性能优于CAD-Net、R2CNN++,在DOAT上53.49mAP/10.0FPS!表现SOTA!

网络结构


【2】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:https://arxiv.org/abs/1911.09929
注:又一篇用NAS做目标检测的论文,在COCO上可达42.8mAP/20FPS!较高可达45.9mAP,优于同类的NAS-FPN和DetNAS

SM-NAS Pipeline


【3】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:https://arxiv.org/abs/1911.11512
注:性能优于WSRPN、PCL等弱监督目标检测方法,表现SOTA!


WSOD 网络结构

【4】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:https://arxiv.org/abs/1911.11449
注:性能优于OR-CNN等网络

网络结构


【5】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:中央研究院資訊科學研究所&台湾交通大学
链接:https://arxiv.org/abs/1911.11929
https://github.com/WongKinYiu/CrossStagePartialNetworks
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

【6】ReBiF:残差双融合特征金字塔网络,用于较精确的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:台湾交通大学&阿联酋大学
链接:https://arxiv.org/abs/1911.12051
注:ReBiF在mAP和FPS上都优于YOLOv3和RFBNet等网络


Residual bi-fusion feature pyramid network 


【7】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:https://arxiv.org/abs/1911.12451
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较佳的性能仍有很大的差距
解读:目标检测的性能上界讨论


【8】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&中国人民公安大学
链接:https://arxiv.org/abs/1911.08287
注:DIoU Loss对YOLOv3、SSD、Faster R-CNN都有明显涨点,现已开源!
解读:DIoU YOLOv3:更加稳定有效的目标框回归损失

【9】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&中央研究院等
链接:https://arxiv.org/abs/1911.12529
代码:https://github.com/timy90022/One-Shot-Object-Detection


网络结构

【10】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:https://arxiv.org/abs/1911.12448
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


COCO test-dev Speed vs mAP


Training strategy


【11】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:https://arxiv.org/abs/1911.12721
注:MMOD性能可达38.7 mAP/26FPS!但还是不如ASFF,代码即将开源


MMOD 网络结构


【12】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:https://arxiv.org/abs/1912.00969
注:IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络


IENet Head


【13】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:https://arxiv.org/abs/1912.01106
注:MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLite

IMnasFPN 网络结构


【14】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:https://arxiv.org/abs/1912.00632
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


Model Backbone


【15】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:https://arxiv.org/abs/1912.02252
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

MAL 思想

MAL 网络结构


【16】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:https://arxiv.org/abs/1912.02424
代码:https://github.com/sfzhang15/ATSS
注:ATSS在COCO上,single/multi scale分别可达47.7和50.7mAP!很强势,现已开源!


声明:文章收集于网络,版权归原作者所有,为传播信息而发,如有侵权,请联系小编删除,谢谢!

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括:各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

 

GMT+8, 2020-11-29 18:47 , Processed in 0.157885 second(s), 24 queries .