论文基于DA Faster R CNN系列提出类别正则化框架，充分利用多标签分类的弱定位能力以及图片级预测和实例级预测的类一致性，从实验结果来看，类该方法能够很好地提升DA Faster R CNN系列的性能 来源：晓飞的算法工程笔记 公众号 论文: Exploring Categorical Regularization for Domain Adaptive Object Detection ...
2020-06-23 10:07 0 1061 推荐指数：
论文从理论的角度出发，对目标检测的域自适应问题进行了深入的研究，基于H-divergence的对抗训练提出了DA Faster R-CNN，从图片级和实例级两种角度进行域对齐，并且加入一致性正则化来学习域不变的RPN。从实验来看，论文的方法十分有效，这是一个很符合实际需求的研究，能解决现实 ...
论文指出one-stage anchor-based和center-based anchor-free检测算法间的差异主要来自于正负样本的选择，基于此提出ATSS(Adaptive Training Sample Selection)方法，该方法能够自动根据GT的相关统计特征选择合适 ...
域适应已经是一个很火的方向了，目标检测更不用说，二者结合的工作也开始出现了，这里我总结了CVPR18和CVPR19的相关论文，希望对这个交叉方向的近况有一个了解。 1. 2018_CVPR Domain Adaptive Faster R-CNN for Object Detection ...
论文提出增量式少样本目标检测算法ONCE，与主流的少样本目标检测算法不太一样，目前很多性能高的方法大都基于比对的方式进行有目标的检测，并且需要大量的数据进行模型训练再应用到新类中，要检测所有的类别则需要全部进行比对，十分耗时。而论文是增量式添加类别到模型，以常规的推理形式直接检测，十分高效 ...
CNN学习笔记：正则化缓解过拟合 过拟合现象 在下图中，虽然绿线完美的匹配训练数据，但太过依赖，并且与黑线相比，对于新的测试数据上会具有更高的错误率。虽然这个模型在训练数据集上的正确率很高，但这个模型却很难对从未见过的数据做出正确响应，认为该模型存在过拟合现象。 绿线代表 ...
引文 最近笔者也在寻找目标检测的其他方向，一般可以继续挖掘的方向是从目标检测的数据入手，困难样本的目标检测，如检测物体被遮挡，极小人脸检测，亦或者数据样本不足的算法。这里笔者介绍一篇小样本（few-shot）数据方向下的域适应（Domain Adaptation）的目标检测算法，这篇 ...
CVPR2020：利用图像投票增强点云中的三维目标检测（ImVoteNet） ImVoteNet: Boosting 3D Object Detection in Point Clouds With Image Votes 论文地址： https ...
作者：蒋天园 Date：2020-04-11 来源： 3DSSD:基于点云的single-stage物体检测模型 | CVPR2020 前言 这是一篇来自CVPR2020的研究工作，于2020 ...
