每年的CVPR会议都会有大量的论文投稿和学术交流活动,其中涵盖了包括图像处理、计算机视觉、模式识别、机器学习、深度学习、人工智能等多个研究方向,是
本文主要研究的是针对目标检测中的尺度问题,尤其是小目标检测中存在的卷积神经网络分辨率和语义化程度之间的矛盾问题,并提出了一种特征金字塔网络的解决
目标检测是计算机视觉领域中的一个重要研究方向,也是其他复杂视觉任务的基础。 作为图像理 解和计算机视觉的基石,目标检测是解决分割、场景理解、目标跟
源自论文 “SSD: Single Shot MultiBox Detector”SSD 进一步在检测之前聚合多尺度特征。这是一个提取细
CNN推动了视觉检测的发展,但对于大规模图像上的小目标(如低于20 pixels的行人)检测,效果仍然不理想,挑战在于对极小目标的特征表示。而且在庞大且复杂背景下,容易造成极小目标检测时
小目标检测难3大原因:目标本身尺度变化、图像分辨率以及环境因素。本文针对多尺度训练了不同的检测器,这些检测器所用特征来自同一网络的不同层级。此外,还充分
推荐理由:这篇论文作者提出一种简单而高效的通过解耦特征进行目标检测的蒸馏方法。 03 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
输出为表示m类的类注意向量;给定m类的注意向量,对ROI特征进行channel-wise soft attention,以此对Faster/ Mask R-CNN的输入图片实现基于m类别的小样本目标检测