上次我們給大家?guī)�來了關(guān)于CNN與圖像分割主題的論文，本次的主題是目標(biāo)檢測，包含2D、3D的目標(biāo)檢測，旋轉(zhuǎn)目標(biāo)檢測，視頻目標(biāo)檢測，大家在閱讀論文的同時(shí)也可親自動(dòng)手實(shí)踐，快來看看吧！

目標(biāo)檢測

目標(biāo)檢測是與計(jì)算機(jī)視覺與圖像處理的計(jì)算機(jī)技術(shù)，處理的是在數(shù)字圖像和視頻中檢測出的特定類別的語義對(duì)象（如人類、建筑物或汽車）的實(shí)例。目標(biāo)檢測的研究領(lǐng)域包括人臉檢測和行人檢測。目標(biāo)檢測在計(jì)算機(jī)視覺的許多領(lǐng)域都有應(yīng)用，包括圖像檢索和視頻監(jiān)控 。

2D目標(biāo)檢測

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

機(jī)構(gòu)：北京大學(xué)，香港中文大學(xué)

簡介：本文提出了一種對(duì)象表示法，稱為dense Rep Points，用于靈活而詳細(xì)地建模對(duì)象外觀和幾何體。與邊界框的粗幾何定位和特征提取不同，DenseRepPoints自適應(yīng)地將一組密集的點(diǎn)分布到對(duì)象上具有重要幾何意義的位置，為對(duì)象分析提供信息提示。技術(shù)的發(fā)展是為了解決與監(jiān)督訓(xùn)練從圖像片段和符號(hào)密集點(diǎn)集相關(guān)的挑戰(zhàn)，并使這種廣泛的表示在理論上是可行的。此外，該表示的多功能性被用于在多個(gè)粒度級(jí)別上建模對(duì)象結(jié)構(gòu)。稠密的表示點(diǎn)顯著提高了面向幾何的可視化理解任務(wù)的性能，包括在具有挑戰(zhàn)性的COCO基準(zhǔn)測試中對(duì)象檢測的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

機(jī)構(gòu)：中國科學(xué)院大學(xué)，華為

簡介：目標(biāo)檢測的目標(biāo)是確定目標(biāo)在圖像中的類別和位置。本文提出了一種新的無錨的兩階段框架，該框架首先通過尋找潛在的角點(diǎn)組合來提取多個(gè)目標(biāo)方案，然后通過獨(dú)立的分類階段為每個(gè)方案分配一個(gè)類別標(biāo)簽。作者證明這兩個(gè)階段分別是提高查全率和查準(zhǔn)率的有效解決方案，并且可以集成到一個(gè)端到端網(wǎng)絡(luò)中。他們的方法被稱為角點(diǎn)建議網(wǎng)絡(luò)（Corner proposition Network，CPN），它具有檢測不同尺度對(duì)象的能力，并且避免了被大量的誤報(bào)建議所迷惑。在MS－COCO數(shù)據(jù)集上，CPN達(dá)到了49．2％的AP，這在現(xiàn)有的目標(biāo)檢測方法中具有競爭力。CPN同樣適用于計(jì)算效率的場景，在26．2／43．3fps時(shí)，CPN的AP達(dá)到41．6％／39．7％，超過了大多數(shù)具有相同推理速度的競爭對(duì)手。

3 BorderDet： Border Feature for Dense Object Detection

作者：Han Qiu，Yuchen Ma，Zeming Li，Songtao Liu，Jian Sun

機(jī)構(gòu)：曠視科技，西安交通大學(xué)

簡介：密集型目標(biāo)探測器依賴于滑動(dòng)窗口模式，它可以在規(guī)則的圖像網(wǎng)格上預(yù)測目標(biāo)。同時(shí)，采用網(wǎng)格點(diǎn)上的特征映射生成邊界盒預(yù)測。點(diǎn)特征使用方便，但可能缺少精確定位的明確邊界信息。本文提出了一種簡單高效的邊界對(duì)齊算子，從邊界的極值點(diǎn)提取“邊界特征”，以增強(qiáng)點(diǎn)特征。在BorderAlign的基礎(chǔ)上，作者設(shè)計(jì)了一種新的檢測體系結(jié)構(gòu)BorderDet，它明確地利用了邊界信息來實(shí)現(xiàn)更強(qiáng)的分類和更精確的定位。使用ResNet－50主干，他們的方法將單級(jí)探測器FCOS提高了2．8 AP增益（38．6 v．s．41．4）。通過ResNeXt－101－DCN主干，他們的BorderDet獲得了50．3 AP，優(yōu)于現(xiàn)有的最新方法。