上次我们给大家带来了关于CNN与图像分割主题的论文，本次的主题是目标检测，包含2D、3D的目标检测，旋转目标检测，视频目标检测，大家在阅读论文的同时也可亲自动手实践，快来看看吧！
目标检测
目标检测是与计算机视觉与图像处理的计算机技术，处理的是在数字图像和视频中检测出的特定类别的语义对象（如人类、建筑物或汽车）的实例。目标检测的研究领域包括人脸检测和行人检测。目标检测在计算机视觉的许多领域都有应用，包括图像检索和视频监控 。
2D目标检测
1 Dense RepPoints： Representing Visual Objects with Dense Point Sets
作者：Yang Ze，Xu Yinghao，Xue Han，Zhang Zheng，Urtasun Raquel，Wang Liwei，Lin Stephen，Hu Han
机构：北京大学，香港中文大学
简介：本文提出了一种对象表示法，称为dense Rep Points，用于灵活而详细地建模对象外观和几何体。与边界框的粗几何定位和特征提取不同，DenseRepPoints自适应地将一组密集的点分布到对象上具有重要几何意义的位置，为对象分析提供信息提示。技术的发展是为了解决与监督训练从图像片段和符号密集点集相关的挑战，并使这种广泛的表示在理论上是可行的。此外，该表示的多功能性被用于在多个粒度级别上建模对象结构。稠密的表示点显著提高了面向几何的可视化理解任务的性能，包括在具有挑战性的COCO基准测试中对象检测的1：6AP增益。
2 Corner Proposal Network for Anchor－free， Two－stage Object Detection
作者：Kaiwen Duan，Lingxi Xie，Honggang Qi，Song Bai，Qingming Huang，Qi Tian
机构：中国科学院大学，华为
简介：目标检测的目标是确定目标在图像中的类别和位置。本文提出了一种新的无锚的两阶段框架，该框架首先通过寻找潜在的角点组合来提取多个目标方案，然后通过独立的分类阶段为每个方案分配一个类别标签。作者证明这两个阶段分别是提高查全率和查准率的有效解决方案，并且可以集成到一个端到端网络中。他们的方法被称为角点建议网络（Corner proposition Network，CPN），它具有检测不同尺度对象的能力，并且避免了被大量的误报建议所迷惑。在MS－COCO数据集上，CPN达到了49．2％的AP，这在现有的目标检测方法中具有竞争力。CPN同样适用于计算效率的场景，在26．2／43．3fps时，CPN的AP达到41．6％／39．7％，超过了大多数具有相同推理速度的竞争对手。
3 BorderDet： Border Feature for Dense Object Detection
作者：Han Qiu，Yuchen Ma，Zeming Li，Songtao Liu，Jian Sun
机构：旷视科技，西安交通大学
简介：密集型目标探测器依赖于滑动窗口模式，它可以在规则的图像网格上预测目标。同时，采用网格点上的特征映射生成边界盒预测。点特征使用方便，但可能缺少精确定位的明确边界信息。本文提出了一种简单高效的边界对齐算子，从边界的极值点提取“边界特征”，以增强点特征。在BorderAlign的基础上，作者设计了一种新的检测体系结构BorderDet，它明确地利用了边界信息来实现更强的分类和更精确的定位。使用ResNet－50主干，他们的方法将单级探测器FCOS提高了2．8 AP增益（38．6 v．s．41．4）。通过ResNeXt－101－DCN主干，他们的BorderDet获得了50．3 AP，优于现有的最新方法。
123下一页>（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
