2020年目標(biāo)檢測大盤點 | ECCV大盤點(附論文&代碼下載)

發(fā)布人：CV研究院時間：2020-12-16 來源：工程師

加入技術(shù)交流群
- 掃碼加入
  和技術(shù)大咖面對面交流
  海量資料庫查詢

不知不覺2020年已經(jīng)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(biāo)檢測領(lǐng)域優(yōu)秀的算法及框架！主要包括：弱監(jiān)督目標(biāo)檢測、目標(biāo)檢測定位提精、帶方向目標(biāo)的檢測、Anchor-free 目標(biāo)檢測、點云目標(biāo)檢測和少樣本目標(biāo)檢測等。

弱監(jiān)督目標(biāo)檢測

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(xué)

論文地址 | https://arxiv.org/abs/2008.09694

該文提出online annotation module(OAM)，它學(xué)習(xí)從更大體積的弱標(biāo)記圖像中生成一組多鏡頭的注釋。OAM可以與任何全監(jiān)督的兩階段目標(biāo)檢測方法聯(lián)合訓(xùn)練，提供額外的訓(xùn)練注釋。這導(dǎo)致了一個全端到端的策略，只需要一組low-shot的全注釋圖像。

· Enabling Deep Residual Networks for Weakly Supervised Object Detection

作者 | Yunhang Shen, Rongrong Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu

單位 | 廈門大學(xué)；Pinterest；南科大；騰訊優(yōu)圖（上海）

論文地址 | https://arxiv.org/abs/2008.09694

GitHub | https://github.com/shenyunhang/DRN-WSOD

· Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer

作者 | Yuanyi Zhong, Jianfeng Wang, Jian Peng, Lei Zhang

單位 | 伊利諾伊大學(xué)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(jiān)督目標(biāo)檢測的準(zhǔn)確性，借助外部全注釋源數(shù)據(jù)集，其類別可能不與目標(biāo)域重疊。由于存在許多現(xiàn)成的檢測數(shù)據(jù)集，這種設(shè)置具有很大的實用價值。為了更有效地利用源數(shù)據(jù)集，作者提出通過一類通用檢測器迭代地從源域遷移知識，并學(xué)習(xí)目標(biāo)域檢測器。目標(biāo)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(shù)據(jù)集中的知識得到了更徹底的開發(fā)和利用。

· Cheaper Pre-training Lunch: An Efficient Paradigm for Object Detection

作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang

單位 | 悉尼大學(xué)，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(xùn)練前范式，Montage預(yù)訓(xùn)練用于目標(biāo)檢測。Montage預(yù)訓(xùn)練只需要目標(biāo)檢測數(shù)據(jù)集，而與廣泛采用的ImageNet相比，該http URL構(gòu)建了這樣一個高效的范式，通過仔細(xì)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(yīng)密集分類策略進行模型預(yù)訓(xùn)練來減少潛在的冗余。這些設(shè)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(xué)習(xí)目標(biāo)，以擴大預(yù)先訓(xùn)練模型的有效接受領(lǐng)域。

Process of our Dense Classification Strategy

目標(biāo)檢測定位提精

· Side-Aware Boundary Localization for More Precise Object Detection

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(xué)；南洋理工大學(xué)；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(tǒng)的bbox回歸。提取關(guān)注于邊界內(nèi)容的邊緣感知特征用來定位。提出使用該特征的輕量級two-step bucketing方法以精確定位目標(biāo)。同時引入重打分(rescore)機制，利用bucket的置信度來保留高質(zhì)量的bbox。在各種目標(biāo)檢測流程中，SABL均展現(xiàn)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(shè)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。

帶方向目標(biāo)的檢測

· PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

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(xué)；多媒體大學(xué)

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(biāo)檢測可以通過減少與背景區(qū)域的重疊來更好地針對旋轉(zhuǎn)的目標(biāo)。現(xiàn)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(yōu)化距離損失。然而，由于距離損失只最小化了OBB的角度誤差，并且它與IoU松散相關(guān)，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(dǎo)出的，具有像素級形式，簡單，適用于水平和定向邊界框。實驗結(jié)果表明，PIoU Loss可以顯著提高OBB檢測器的性能，特別是在高寬比和復(fù)雜背景的物體上。