2016CVPR目标检测论文简介
2016-10-24 13:09
961 查看
目标检测的指标:
1)识别精度2)识别效率
3)定位准确性
CVPR2016专题:
CVPR/ICCV目标检测最新论文
2016年的CVPR目标检测(这里讨论的是2D的目标检测)的方法主要是基于CNN的框架,代表性的工作有
ResNet[1](Kaiming He等)、
YOLO[5](Joseph Redmon等)、
LocNet[7](Spyros Gidaris等)、
HyperNet[3](Tao Kong等)、
ION[2](Sean Bell等)、
G-CNN[6](Mahyar Najibi等)。
[1] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition. In CVPR 2016
[2] Bell S, Zitnick C L, Bala K, et al. Inside-outside net: Detecting objects in context with skip pooling and recurrent neural networks. In CVPR 2016
[3] Kong T, Yao A, Chen Y, et al. HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection. In CVPR 2016
[4] Cheng M M, Zhang Z, Lin W Y, et al. BING: Binarized normed gradients for objectness estimation at 300fps. In CVPR 2014
[5] Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection. In CVPR 2016
[6] Najibi M, Rastegari M, Davis L S. G-CNN: an Iterative Grid Based Object Detector. In CVPR 2016
[7] Gidaris S, Komodakis N. LocNet: Improving Localization Accuracy for Object Detection. In CVPR 2016
[8] Shrivastava A, Gupta A, Girshick R. Training region-based object detectors with online hard example mining. In CVPR 2016
[9] Girshick R. Fast R-CNN. In ICCV 2015
[10] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS 2015
[11] Liu W, Anguelov D, Erhan D, et al. SSD: Single Shot MultiBox Detector[J]. arXiv preprint arXiv:1512.02325, 2015.
Deep Residual Learning for Image Recognition
这是kaiming组那篇影响力很大的文章,不用说了
You Only Look Once: Unified, Real-Time Object Detection
YOLO用纯CNN来做检测,可以达到实时的效果,虽然今年SSD的效果做的好很多,但YOLO确实起到了先驱的作用。
Training Region-Based Object Detectors With Online Hard Example Mining
这个工作比较新,他提供了在F-RCNN的框架下,在训练过程中如何对样本进行选择的一种解决方案。而且确实work。
Accurate Image Super-Resolution Using Very Deep Convolutional Networks
这是做超分辨率重建的一篇文章,主要的创新点在于在网络的最后用原图来辅助重建,有点残差网的意思,当然效果也很好。
Inside-Outside Net: Detecting Objects in Context With Skip Pooling and Recurrent Neural Networks
在F-RCNN的框架下如何对特征进行增强,文章主要考虑了multi-layer fusion和context信息。
HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
通过对CNN的多层特征进行融合提高定位准确性,利用类似于Faster-RCNN的方式进行目标检测
Exploit All the Layers: Fast and Accurate CNN Object Detector With Scale Dependent Pooling and Cascaded Rejection Classifiers.
通过在CNN的多层建立级联分类器来抑制负样本(在目标检测中对负样本进行合理抑制起到了关键作用)
相关文章推荐
- CVPR 2016论文快讯:目标检测领域的新进展
- CVPR 2016论文快讯:目标检测领域的新进展
- ICCV2013、CVPR2013、ECCV2013目标检测相关论文
- ICCV2013、CVPR2013、ECCV2013目标检测相关论文
- CVPR 2017 论文集锦(目标检测与目标追踪相关)
- CVPR2017 2D目标检测相关论文
- 深度学习 目标检测算法 SSD 论文简介
- CVPR 2016|商汤科技论文解析:人脸检测中级联卷积神经网络的联合训练
- 对话CVPR2016:目标检测新进展
- 【深度学习:目标检测】CVPR 2016:目标检测领域的新进展
- 目标检测研究方向(ICCV2013、CVPR2013、ECCV2013目标检测相关论文)
- ICCV2013、CVPR2013、ECCV2013目标检测相关论文
- 目标检测R-CNN.读论文
- CVPR 2013 录用论文(目标跟踪部分)
- CVPR 2013 录用论文(目标跟踪部分)
- 论文阅读:CVPR2016 Paper list
- CVPR2016 主旨演讲及焦点论文速览
- 论文阅读:《Structured Feature Learning for Pose Estimation》CVPR 2016
- 【论文笔记】CVPR2015 级联卷积神经网络用于人脸检测
- CVPR 2013 录用论文(目标跟踪部分)