【论文推荐】了解《目标检测》必看的6篇论文【附打包下载地址】

作者：凡人多烦事01 | 2024-04-27 16:04:10

踩

目标检测经典论文

论文推荐

“SFFAI110期来自香港大学的陈超奇推荐的文章主要关注于计算机视觉的目标检测领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。”

关注文章公众号

回复"SFFAI110"获取本主题精选论文

推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。

推荐理由：这篇论文针对[01]存在过度适配图像特征的问题，提出了一种弱图像级特征对齐范式，同时在底层特征上做强对齐，整体称作强-弱特征对齐。

推荐理由：这篇论文主要动机是无监督跨域目标检测是一种局部特征对齐，而非传统的全局特征对齐。基于此，他们利用Faster R-CNN的proposals来对源域和目标域实例级特征作选择性对齐。

推荐理由：这篇文章提出了一种多层对抗网络用于适配双阶段检测器，所提出的网络主要包含两部分，分层域特征对齐和聚合的proposal特征对齐。

推荐理由：这篇是现有的唯一一篇针对单阶段检测器域适应问题的文章，该文章针对SSD的难样本挖掘阶段提出了一种弱自训练范式来同时减少假阳和假阴样本。

推荐理由：这篇文章的动机是目前主流方法利用对抗域适应来适配深度目标检测器会导致其特征的可迁移性和判别性存在矛盾，即无法同时保证二者。基于此，本文提出了一种分层可迁移性校准网络来逐步地调和这种潜在的矛盾，从而较好地保证了特征的判别性。

会议内容

会议简介

由于深度卷积网络的空前发展和大规模注释数据集的存在，目标检测取得了显着进展。但在存在域偏移的情况下，将目标检测器应用于一个新的域时，其性能会明显下降。为了解决这个问题，近来在双阶段跨域检测方面的工作已经广泛地探索了局部特征模式以实现更准确的域适应结果。这些方法严重依赖于区域提议机制和基于ROI的实例级特征来针对前景目标设计细粒度的特征对齐模块。但是，对于单阶段检测器来说，很难甚至不可能在检测流程中获得显式的实例级特征。本期我们邀请到来自香港大学的陈超奇，分享他提出了一个隐式实例不变网络，该网络专门为适配单阶段检测器而设计，利用不同层中深度特征的自然特性来隐式地学习实例不变特征。

讲者介绍

陈超奇，香港大学计算机系博士，主要研究方向为迁移学习和计算机视觉，目前已在CVPR与TPAMI等会议期刊上发表论文8篇。

会议题目

I Net: 一种用于适配单阶段目标检测器的隐式实例不变网络

会议摘要

我们提出了一个隐式实例不变网络，该网络专门为适配单阶段检测器而设计，并通过利用不同层中深度特征的自然特性来隐式地学习实例不变特征。具体来说，我们从三个方面促进域适应：（1）动态和类平衡重加权策略，该策略考虑了域内和类内变化的共存，以便将较大的权重分配给那些样本稀少的类别和容易适配的样本；（2）类别感知目标模式匹配模块，在类别信息的引导下，增强跨域前景目标的匹配，并抑制含有信息量较少的背景；（3）正则联合类别对齐模块，该模块通过一致性正则化在多个特定于域的层上同时实现类别对齐。实验结果表明，所提出的网络超出了基准数据集的最优性能。

论文标题：I Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors

论文下载：关注本公众号，对话框回复“SFFAI110”，获取下载

会议亮点

1、本文提出隐式实例不变网络无需用到明确的实例级特征。相反地，我们通过对齐可迁移的区域和图像以及保持跨域类别关系来隐式地学习实例级不变特征；

2、具体来说，我们基于对深度单阶段检测器不同层次的特征特点的观察，从底层像素级特征，中间层图像及特征，和高层语义特征三方面来引导单阶段检测器的域适应；

3、所提出的网络在无监督跨域目标检测的三个基准数据集上取得了最优的性能。同时，我们的方法也具有较强的延展性和普适性。

直播时间

2021年6月13日（周日）20:00—21:00 线上直播

关注本公众号，对话框回复“SFFAI110”，获取入群二维码

注：直播地址会分享在交流群内

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。