- 目标检测路线图
- 目标检测数据集
- 目标检测技术演进
- 目标检测计算加速
- 数值计算层次(如积分图、矢量量化等)
- 检测引擎层次(网络剪枝与量化、轻量级网络设计等)
- 检测流程层次(特征图共享、分类器加速、级连检测等)
- 目标检测进展
- 更好地引擎(engine):作者将深度学习目标检测网络的骨干网称为其引擎。改进目标检测的一个直接思路就是使用更加先进的骨干网。如下图(相同算法用相同颜色的圆点表示,使用相同引擎的算法结果用一个大括号连接,我们可以轻易看出,使用不同的引擎对最终精度的影响更大):
- 使用更好的特征:1)特征融合;2)学习大感受野的高分辨率特征
- 超越滑动窗口:不再是局限于候选区域再分类的模式。作者提到两种新模式:1)子区域搜索 sub-region search。将目标检测看为从初始网格到最终ground truth box的路径规划过程。2)关键点定位。将目标检测看为特定语义点定位的过程。比如:ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路Grid R-CNN解读:商汤目标检测算法
- 目标定位改进:1)包围框提精。2)改进loss函数用于较精确定位。比如:CVPR 2019 | 旷视提出新型目标检测损失函数:定位更精准
- 检测与分割一起进行:分割可以帮助目标检测提高类别识别的精度、获得更好地目标定位、潜入更加丰富的上下文。分割的网络可以作为目标检测的提取网络,也可以作为多任务学习的损失函数,用以改进目标检测。52CV曾经报道过一篇文章甚至分割完全可以用来替换检测:目标检测:Segmentation is All You Need ?
- 旋转和尺度变化鲁棒的目标检测:针对旋转变化鲁棒改进方向:1)旋转不变损失函数;2)旋转校正;3)Rotation RoI Pooling。针对尺度变化鲁棒的改进:1)尺度自适应训练;2)尺度自适应检测。
- Training from Scratch:不使用预训练模型,从头开始训练目标检测网络。比如:CVPR 2019 | 京东AI研究院提出ScratchDet,加强对小目标的检测,代码将开源。
- 对抗训练:比如有研究表明,GAN可以用来改进小目标的检测。
- 弱监督的目标检测:不使用包围框标注,而仅使用图像级的目标标注的算法。减少标注成本。扩大训练集。
- 目标检测应用
- 目标检测的未来方向
- 轻量级目标检测算法;
- 用AutoML设计目标检测算法,比如:Google CVPR 2019成果!用神经架构搜索实现更好的目标检测
- 域适应(domain adaptation)改进目标检测;
- 弱监督的目标检测;
- 小目标检测;
- 视频目标检测
- 融合其他传感器信息的目标检测。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:AI佳作解读系列(五) - 目标检测二十年技术综述 - Python技术站