最新目标检测论文_目标检测最新论文

参考  最新目标检测论文 - 云+社区 - 腾讯云

目录

【1】多方向目标检测：水平边界框上的滑动顶点

【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测

【3】基于PSNet和边框回归的弱监督目标检测(WSOD)

【4】带有可见IoU和Box Sign预测器的遮挡性行人检测

【5】CSPNet：可以增强CNN学习能力的新型Backbone

【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测

【7】目标检测的性能上界讨论

【8】DIoU Loss：更快更好地学习边界框回归

【9】CoAE：用于One-Shot目标检测的共同注意和共同激励

【10】SAPD：Soft Anchor-Point目标检测

【11】MMOD：基于混合模型的目标检测边界框密度估计

【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器

【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构

【14】IPG-Net：用于目标检测的图像金字塔引导网络

【15】MAL：用于目标检测的多Anchor学习

【16】ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择

---

---

【1】多方向目标检测：水平边界框上的滑动顶点

《Gliding vertex on the horizontal bounding box for multi-oriented object detection》

时间：20191123

作者团队：华科(白翔组)&武大&上交

链接：https://arxiv.org/abs/1911.09358

注：本论文性能优于CAD-Net、R2CNN++，在DOAT上53.49mAP/10.0FPS！表现SOTA！

网络结构

---

【2】SM-NAS：结构到模块的神经体系结构搜索以进行目标检测

《SM-NAS: Structural-to-Modular Neural Architecture Search for Object Detection》

时间：20191125（AAAI 2020）

作者团队：华为诺亚&中山大学

链接：https://arxiv.org/abs/1911.09929

注：又一篇用NAS做目标检测的论文，在COCO上可达42.8mAP/20FPS！最高可达45.9mAP，优于同类的NAS-FPN和DetNAS

SM-NAS Pipeline

---

【3】基于PSNet和边框回归的弱监督目标检测(WSOD)

《WSOD with PSNet and Box Regression》

时间：20191127

作者团队：清华大学

链接：https://arxiv.org/abs/1911.11512

注：性能优于WSRPN、PCL等弱监督目标检测方法，表现SOTA！

WSOD 网络结构

---

【4】带有可见IoU和Box Sign预测器的遮挡性行人检测

《Occluded Pedestrian Detection with Visible IoU and Box Sign Predictor》

时间：20191127

作者团队：清华大学

链接：https://arxiv.org/abs/1911.11449

注：性能优于OR-CNN等网络

网络结构

---

【5】CSPNet：可以增强CNN学习能力的新型Backbone

《CSPNet: A New Backbone that can Enhance Learning Capability of CNN》

时间：20191128

作者团队：中央研究院資訊科學研究所&台湾交通大学

链接：https://arxiv.org/abs/1911.11929

https://github.com/WongKinYiu/CrossStagePartialNetworks

注：很棒的backbone，在检测任务上性能优于YOLOv3-tiny，CSPPeleeNet在Jetson TX2速度高达41FPS！现已开源

---

【6】ReBiF：残差双融合特征金字塔网络，用于精确的Single-shot目标检测

《Residual Bi-Fusion Feature Pyramid Network for Accurate Single-shot Object Detection》

时间：20191128

作者团队：台湾交通大学&阿联酋大学

链接：https://arxiv.org/abs/1911.12051

注：ReBiF在mAP和FPS上都优于YOLOv3和RFBNet等网络

Residual bi-fusion feature pyramid network 

---

【7】目标检测的性能上界讨论

《Empirical Upper-bound in Object Detection and More》

时间：20191128

作者团队：西弗吉尼亚大学&MarkableAI

链接：https://arxiv.org/abs/1911.12451

注：在作者的计算方式下，PASCAL VOC (test2007) 的上界可以达到 91.6%，COCO (val2017) 可以达到 78.2%， OpenImages V4 (val) 可以达到 58.9%，它们的上界离现在所能达到的最佳的性能仍有很大的差距

解读：目标检测的性能上界讨论

---

【8】DIoU Loss：更快更好地学习边界框回归

《Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression》

时间：20191129（AAAI 2020）

作者团队：天津大学&中国人民公安大学

链接：https://arxiv.org/abs/1911.08287

注：DIoU Loss对YOLOv3、SSD、Faster R-CNN都有明显涨点，现已开源！

解读：DIoU YOLOv3：更加稳定有效的目标框回归损失

---

【9】CoAE：用于One-Shot目标检测的共同注意和共同激励

《One-Shot Object Detection with Co-Attention and Co-Excitation》

时间：20191202（NeurIPS 2019）

作者团队：国立清华大学&中央研究院等

链接：https://arxiv.org/abs/1911.12529

代码：https://github.com/timy90022/One-Shot-Object-Detection

网络结构

---

【10】SAPD：Soft Anchor-Point目标检测

《Soft Anchor-Point Object Detection》

时间：20191202

作者团队：卡耐基梅隆大学(CMU)

链接：https://arxiv.org/abs/1911.12448

注：SAPD：目前最强Anchor-free目标检测网络，性能高达47.4mAP/4.5FPS！性能秒杀FreeAnchor、CenterNet、FSAF、FCOS和FoveaBox等

COCO test-dev Speed vs mAP

Training strategy

---

【11】MMOD：基于混合模型的目标检测边界框密度估计

《Mixture-Model-based Bounding Box Density Estimation for Object Detection》

时间：20191202

作者团队：首尔大学

链接：https://arxiv.org/abs/1911.12721

注：MMOD性能可达38.7 mAP/26FPS！但还是不如ASFF，代码即将开源

MMOD 网络结构

---

【12】IENet：方向性航空目标检测的One Stage Anchor Free检测器

《IENet: Interacting Embranchment One Stage Anchor Free Detector for Orientation Aerial Object Detection》

时间：20191203

作者团队：哈尔滨工程大学

链接：https://arxiv.org/abs/1912.00969

注：IENet用于旋转性边界框(OBB)的One Stage Anchor Free目标检测新网络

IENet Head

---

【13】MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构

《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices》

时间：20191204

作者团队：谷歌AI&谷歌大脑(Quoc V. Le大佬)

链接：https://arxiv.org/abs/1912.01106

注：MnasFPN无论mAP还是FPS均优于MobileNetV3+SSDLite和NAS-FPNLite

IMnasFPN 网络结构

---

【14】IPG-Net：用于目标检测的图像金字塔引导网络

《IPG-Net: Image Pyramid Guidance Network for Object Detection》

时间：20191205

作者团队：北京理工大学&三星

链接：https://arxiv.org/abs/1912.00632

注：在COCO上可达45.7mAP，在VOC上可达85.9，性能优于CenterNet、FSAF和SNIPER等网络

Model Backbone

---

【15】MAL：用于目标检测的多Anchor学习

《Multiple Anchor Learning for Visual Object Detection》

时间：20191206

作者团队：CMU&中科院等

链接：https://arxiv.org/abs/1912.02252

注：在single/multi-scale下，one-stage系列的MAL性能分别可达45.9/47.0 mAP！优于FreeAnchor、CenterNet等网络

MAL 思想

MAL 网络结构

---

【16】ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择

《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》

时间：20191206

作者团队：中科院&国科大&北邮等

链接：https://arxiv.org/abs/1912.02424

代码：https://github.com/sfzhang15/ATSS

注：ATSS在COCO上，single/multi scale分别可达47.7和50.7mAP！很强势，现已开源！

为了方便下载，我已经将上述论文打包，在 CVer公众号 后台回复：20191209 即可获得打包链接。