Domain Adaptive Faster R-CNN：經典域自適應目標檢測算法，解決現實中痛點，代碼開源 | CVPR2018
論文從理論的角度出發，對目標檢測的域自適應問題進行了深入的研究，基於H-divergence的對抗訓練提出了DA Faster R-CNN，從圖片級和實例級兩種角度進行域對齊，並且加入一致性正則化來學習域不變的RPN。從實驗來看，論文的方法十分有效，這是一個很符合實際需求的研究，能解決現實 ...
原文：曠世提出類別正則化的域自適應目標檢測模型，緩解場景多樣的痛點 | CVPR 2020
論文基於DA Faster R CNN系列提出類別正則化框架，充分利用多標簽分類的弱定位能力以及圖片級預測和實例級預測的類一致性，從實驗結果來看，類該方法能夠很好地提升DA Faster R CNN系列的性能 來源：曉飛的算法工程筆記 公眾號 論文: Exploring Categorical Regularization for Domain Adaptive Object Detection ...
2020-06-23 10:07 0 1061 推薦指數：
相關推薦
ATSS : 目標檢測的自適應正負anchor選擇，很扎實的trick | CVPR 2020
論文指出one-stage anchor-based和center-based anchor-free檢測算法間的差異主要來自於正負樣本的選擇，基於此提出ATSS(Adaptive Training Sample Selection)方法，該方法能夠自動根據GT的相關統計特征選擇合適 ...
【目標檢測+域適應】CVPR18 CVPR19總結
域適應已經是一個很火的方向了，目標檢測更不用說，二者結合的工作也開始出現了，這里我總結了CVPR18和CVPR19的相關論文，希望對這個交叉方向的近況有一個了解。 1. 2018_CVPR Domain Adaptive Faster R-CNN for Object Detection ...
增量學習不只有finetune，三星AI提出增量式少樣本目標檢測算法ONCE | CVPR 2020
論文提出增量式少樣本目標檢測算法ONCE，與主流的少樣本目標檢測算法不太一樣，目前很多性能高的方法大都基於比對的方式進行有目標的檢測，並且需要大量的數據進行模型訓練再應用到新類中，要檢測所有的類別則需要全部進行比對，十分耗時。而論文是增量式添加類別到模型，以常規的推理形式直接檢測，十分高效 ...
CNN學習筆記：正則化緩解過擬合
CNN學習筆記：正則化緩解過擬合 過擬合現象 在下圖中，雖然綠線完美的匹配訓練數據，但太過依賴，並且與黑線相比，對於新的測試數據上會具有更高的錯誤率。雖然這個模型在訓練數據集上的正確率很高，但這個模型卻很難對從未見過的數據做出正確響應，認為該模型存在過擬合現象。 綠線代表 ...
CVPR 2019 論文解讀 | FA FRCNN小樣本域適應的目標檢測
引文 最近筆者也在尋找目標檢測的其他方向，一般可以繼續挖掘的方向是從目標檢測的數據入手，困難樣本的目標檢測，如檢測物體被遮擋，極小人臉檢測，亦或者數據樣本不足的算法。這里筆者介紹一篇小樣本（few-shot）數據方向下的域適應（Domain Adaptation）的目標檢測算法，這篇 ...
CVPR2020：利用圖像投票增強點雲中的三維目標檢測（ImVoteNet）
CVPR2020：利用圖像投票增強點雲中的三維目標檢測（ImVoteNet） ImVoteNet: Boosting 3D Object Detection in Point Clouds With Image Votes 論文地址： https ...
CVPR2020 | 3DSSD:基於點雲的single-stage物體檢測模型
作者：蔣天園 Date：2020-04-11 來源： 3DSSD:基於點雲的single-stage物體檢測模型 | CVPR2020 前言 這是一篇來自CVPR2020的研究工作，於2020 ...