https://journal.bjut.edu.cn/article/2021/0254-0037/20210310.html

"> 基於深度學習的小目標檢測方法綜述 - 專知VIP

小目標檢測一直是目標檢測領域中的熱點和難點,其主要挑戰是小目標像素少,難以提取有效的特征信息.近年來,隨著深度學習理論和技術的快速發展,基於深度學習的小目標檢測取得了較大進展,研究者從網絡結構、訓練策略、數據處理等方麵入手,提出了一係列用於提高小目標檢測性能的方法.該文對基於深度學習的小目標檢測方法進行詳細綜述,按照方法原理將現有的小目標檢測方法分為基於多尺度預測、基於數據增強技術、基於提高特征分辨率、基於上下文信息,以及基於新的主幹網絡和訓練策略等5類方法,全麵分析總結基於深度學習的小目標檢測方法的研究現狀和最新進展,對比分析這些方法的特點和性能,並介紹常用的小目標檢測數據集.在總體梳理小目標檢測方法的研究進展的基礎上,對未來的研究方向進行展望.

https://journal.bjut.edu.cn/article/2021/0254-0037/20210310.html

成為VIP會員查看完整內容
0
25
1

相關內容

機器學習的一個分支,它基於試圖使用包含複雜結構或由多重非線性變換構成的多個處理層對數據進行高層抽象的一係列算法。

知識薈萃

精品入門和進階教程、論文和代碼整理等

更多

查看相關VIP內容、論文、資訊等

視頻目標檢測是為了解決每一個視頻幀中出現的目標如何進行定位和識別的問題。相比於圖像目標檢測,視頻具有高冗餘度的特性,其中包含了大量的時空局部信息。隨著深度卷積神經網絡在靜態圖像目標檢測領域的迅速普及,在性能上相較於傳統方法顯示出了非常大的優越性,並逐步在基於視頻的目標檢測任務上也發揮了應有的作用。但現有的視頻目標檢測算法仍然麵臨改進與優化主流目標檢測算法的性能、保持視頻序列的時空一致性、檢測模型輕量化等關鍵技術的挑戰。針對上述問題和挑戰,本文在調研大量文獻的基礎上係統地對基於深度學習的視頻目標檢測算法進行了總結。從基於光流、檢測等基礎方法對這些算法進行了分類,從骨幹網絡、算法結構、數據集等角度細致探究了這些方法,結合在ImageNet VID等數據集上的實驗結果,分析了該領域具有代表性算法的性能優勢和劣勢,以及算法之間存在的聯係,對視頻目標檢測中待解決的問題與未來研究方向進行了闡述和展望。視頻目標檢測已成為眾多的計算機視覺領域學者追逐的熱點,將來會有更加高效,精度更高的算法被相繼提出,其發展方向也會越來越好。

成為VIP會員查看完整內容
0
29
0

目標檢測一直以來都是計算機視覺領域的研究熱點之一,其任務是返回給定圖像中的單個或多個特定目 標的類別與矩形包圍框坐標.隨著神經網絡研究的飛速進展,R-CNN 檢測器的誕生標誌著目標檢測正式進入深度學習時代,速度和精度相較於傳統算法均有了極大的提升.但是,目標檢測的尺度問題對於深度學習算法而言也始終是 一個難題,即檢測器對於尺度極大或極小目標的檢測精度會顯著下降,因此,近年來有不少學者在研究如何才能更好 地實現多尺度目標檢測.雖然已有一係列的綜述文章從算法流程、網絡結構、訓練方式和數據集等方麵對基於深度 學習的目標檢測算法進行了總結與分析,但對多尺度目標檢測的歸納和整理卻鮮有人涉足.因此,首先對基於深度學 習的目標檢測的兩個主要算法流派的奠基過程進行了回顧,包括以 R-CNN 係列為代表的兩階段算法和以 YOLO、 SSD 為代表的一階段算法;然後,以多尺度目標檢測的實現為核心,重點詮釋了圖像金字塔、構建網絡內的特征金字 塔等典型策略;最後,對多尺度目標檢測的現狀進行總結,並針對未來的研究方向進行展望。

http://www.jos.org.cn/jos/ch/reader/create_pdf.aspx?file_no=6166&journal_id=jos

成為VIP會員查看完整內容
0
22
0

行人檢測技術在智能交通係統,智能安防監控等領域表現出了極高的應用價值,已經成為計算機視覺領域的重要研究方向之一。得益於深度學習的飛速發展,基於深度卷積神經網絡的通用目標檢測模型被不斷擴展應用到行人檢測領域,並取得了良好的性能。但是由於行人目標內在的特殊性、複雜性,特別是考慮到複雜場景下的行人遮擋、尺度變化等問題,深度學習方法也麵臨著嚴峻的挑戰。本文針對上述問題,以基於深度學習的行人檢測技術為研究對象,在充分調研文獻的基礎上,分別從基於錨點框、基於無錨點框以及通用技術改進(例如損失函數,非極大值抑製等)三個角度,對各類行人檢測算法進行細分,並選取具有代表性的方法進行詳細介紹和對比分析。此外,本文對行人檢測的通用數據集進行了詳細的介紹,對該領域先進算法的性能進行了對比分析,對行人檢測中待解決的問題與未來的研究方向做出預測和展望。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=202012230000001&journal_id=jig

成為VIP會員查看完整內容
0
18
0

摘要 在線社交網絡中的消息流行度預測研究,對推薦、廣告、檢索等應用場景都具有非常重要的作用。近年來,深度學習的蓬勃發展和消息傳播數據的積累,為基於深度學習的流行度預測研究提供了堅實的發展基礎。現有的流行度預測研究綜述,主要是圍繞傳統的流行度預測方法展開的,而基於深度學習的流行度預測方法目前仍未得到係統性地歸納和梳理,不利於流行度預測領域的持續發展。鑒於此,該文重點論述和分析現有的基於深度學習的流行度預測相關研究,對近年來基於深度學習的流行度預測研究進行了歸納梳理,將其分為基於深度表示和基於深度融合的流行度預測方法,並對該研究方向的發展現狀和未來趨勢進行了分析展望。

http://jcip.cipsc.org.cn/CN/abstract/abstract3082.shtml

成為VIP會員查看完整內容
0
27
1

傳統圖像修複算法在修複區域涉及複雜非重複結構(如麵部)時,不能準確捕捉到高級語義。近三年來基於深度學習的方法被應用於圖像修複中,其修複結果的結構相似性較傳統方法提高了10%以上。首先闡述了麵部修複技術的研究發展曆程,主要介紹了基於深度學習的麵部修複算法,將其分為無監督和有監督兩大類方法,在每一類中重點對近年來湧現的各種麵部修複算法進行分析和總結;然後歸納了當前主流的六類圖像數據集,以及算法性能評價指標;最後討論了麵部修複技術的未來研究方向。

http://www.arocmag.com/article/01-2021-01-002.html

成為VIP會員查看完整內容
1
17
0

摘要: 深度學習作為人工智能技術的重要組成部分,被廣泛應用在計算機視覺、自然語言處理等領域。盡管深 度學習在圖像分類和目標檢測等方向上取得了較好性能,但研究表明,對抗攻擊的存在對深度學習模型的安全應 用造成了潛在威脅,進而影響模型的安全性。本文在簡述對抗樣本的概念及其產生原因的基礎上,分析對抗攻擊 的主要思路,研究具有代表性的經典對抗樣本生成方法。描述對抗樣本的檢測方法與防禦方法,並從應用角度闡 述對抗樣本在不同領域的應用實例。通過對對抗樣本攻擊與防禦方法的分析與總結,預測未來對抗攻擊與防禦的 研究方向。

http://www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059156

成為VIP會員查看完整內容
0
33
0

摘要:小目標檢測是針對圖像中像素占比少的目標,借助計算機視覺在圖像中找到並判斷該目標所屬類別的目標檢測技術。與目前應用較為成熟的大尺度、中尺度目標檢測不同,小目標自身存在著語義信息少、覆蓋麵積小等先天不足,導致小目標的檢測效果並不理想,因此如何提高小目標的檢測效果依然是計算機視覺領域的一大難題。對近年來國內外小目標檢測領域研究成果進行了梳理,以小目標檢測技術為核心,首先對關於小目標的定義、檢測難點進行分析;隨後將能有效提高小目標檢測精度的方法進行分類彙總,並介紹了各種方法的應用與優缺點;最後對未來小目標檢測領域發展趨勢進行了預測與展望。

成為VIP會員查看完整內容
0
57
0

目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用,目標檢測的精確度和效率都得到了較大提升,但基於深度學習的目標檢測仍麵臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰,本文在廣泛文獻調研的基礎上,從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法,從骨幹網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法,從訓練方式和網絡結構的角度分析了用於多類別物體檢測的方法,從網絡結構的角度分析了用於輕量化檢測模型的方法。此外,對目標檢測的通用數據集進行了詳細介紹,從4個方麵對該領域代表性算法的性能表現進行了對比分析,對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點,仍然有更多高精度和高效的算法相繼提出,未來將朝著更多的研究方向發展。

成為VIP會員查看完整內容
0
111
2

摘要:近年來,基於深度學習的表麵缺陷檢測技術廣泛應用在各種工業場景中.本文對近年來基於深度學習的表麵缺陷檢測方法進行了梳理,根據數據標簽的不同將其分為全監督學習模型方法、無監督學習模型方法和其他方法三大類,並對各種典型方法進一步細分歸類和對比分析,總結了每種方法的優缺點和應用場景.本文探討了表麵缺陷檢測中三個關鍵問題,介紹了工業表麵缺陷常用數據集.最後,對表麵缺陷檢測的未來發展趨勢進行了展望.

成為VIP會員查看完整內容
基於深度學習的表麵缺陷檢測方法綜述_陶顯.pdf
0
53
10

目標檢測的任務是從圖像中精確且高效地識別、定位出大量預定義類別的物體實例。隨著深度學習的廣泛應用,目標檢測的精確度和效率都得到了較大提升,但基於深度學習的目標檢測仍麵臨改進與優化主流目標檢測算法的性能、提高小目標物體檢測精度、實現多類別物體檢測、輕量化檢測模型等關鍵技術的挑戰。針對上述挑戰,本文在廣泛文獻調研的基礎上,從雙階段、單階段目標檢測算法的改進與結合的角度分析了改進與優化主流目標檢測算法的方法,從骨幹網絡、增加視覺感受野、特征融合、級聯卷積神經網絡和模型的訓練方式的角度分析了提升小目標檢測精度的方法,從訓練方式和網絡結構的角度分析了用於多類別物體檢測的方法,從網絡結構的角度分析了用於輕量化檢測模型的方法。此外,對目標檢測的通用數據集進行了詳細介紹,從4個方麵對該領域代表性算法的性能表現進行了對比分析,對目標檢測中待解決的問題與未來研究方向做出預測和展望。目標檢測研究是計算機視覺和模式識別中備受青睞的熱點,仍然有更多高精度和高效的算法相繼提出,未來將朝著更多的研究方向發展。

成為VIP會員查看完整內容
0
97
1
小貼士
相關VIP內容
專知會員服務
29+閱讀 · 5月19日
專知會員服務
22+閱讀 · 5月11日
專知會員服務
18+閱讀 · 4月14日
專知會員服務
27+閱讀 · 3月24日
專知會員服務
17+閱讀 · 1月5日
專知會員服務
33+閱讀 · 2020年12月8日
專知會員服務
57+閱讀 · 2020年12月7日
專知會員服務
111+閱讀 · 2020年8月1日
基於深度學習的表麵缺陷檢測方法綜述
專知會員服務
53+閱讀 · 2020年5月31日
專知會員服務
97+閱讀 · 2020年4月21日
相關資訊
時空序列預測方法綜述
專知
6+閱讀 · 2020年10月19日
基於深度學習的視頻目標檢測綜述
CVer
5+閱讀 · 2019年6月9日
綜述 | 近5年基於深度學習的目標檢測算法
計算機視覺life
17+閱讀 · 2019年4月18日
綜述 | CVPR2019目標檢測方法進展
計算機視覺life
12+閱讀 · 2019年4月3日
幹貨 | 基於深度學習的目標檢測算法綜述
AI科技評論
13+閱讀 · 2018年9月1日
博客 | 基於深度學習的目標檢測算法綜述(二)
AI研習社
9+閱讀 · 2018年8月22日
幹貨 | 基於深度學習的目標檢測算法綜述(二)
AI科技評論
11+閱讀 · 2018年8月20日
基於深度學習的目標檢測算法綜述
AI研習社
13+閱讀 · 2018年4月25日
相關論文
One-Class Classification: A Survey
Pramuditha Perera,Poojan Oza,Vishal M. Patel
6+閱讀 · 1月8日
Yukuan Yang,Fangyun Wei,Miaojing Shi,Guoqi Li
3+閱讀 · 2020年10月26日
Anomalous Instance Detection in Deep Learning: A Survey
Saikiran Bulusu,Bhavya Kailkhura,Bo Li,Pramod K. Varshney,Dawn Song
22+閱讀 · 2020年3月16日
Yuhang Cao,Kai Chen,Chen Change Loy,Dahua Lin
10+閱讀 · 2019年4月9日
Deep Learning for Generic Object Detection: A Survey
Li Liu,Wanli Ouyang,Xiaogang Wang,Paul Fieguth,Jie Chen,Xinwang Liu,Matti Pietikäinen
8+閱讀 · 2018年9月6日
Zuoxin Li,Fuqiang Zhou
8+閱讀 · 2018年5月17日
Zeming Li,Chao Peng,Gang Yu,Xiangyu Zhang,Yangdong Deng,Jian Sun
4+閱讀 · 2018年4月17日
Enver Sangineto,Moin Nabi,Dubravko Culibrk,Nicu Sebe
8+閱讀 · 2018年2月21日
Changzheng Zhang,Xiang Xu,Dandan Tu
5+閱讀 · 2018年2月6日
Wei Liu,Dragomir Anguelov,Dumitru Erhan,Christian Szegedy,Scott Reed,Cheng-Yang Fu,Alexander C. Berg
4+閱讀 · 2016年12月29日
Top