不知不覺2020年已經進入12月，ECCV2020也告一段落，今天“計算機視覺研究院”給大家分享目標檢測領域優秀的算法及框架！主要包括：弱監督目標檢測、目標檢測定位提精、帶方向目標的檢測、Anchor-free 目標檢測、點云目標檢測和少樣本目標檢測等。

弱監督目標檢測

Many-shot from Low-shot: Learning to Annotate using Mixed Supervision for Object Detection

作者 | Carlo Biffi, Steven McDonagh, Philip Torr, Ales Leonardis, Sarah Parisot

單位 | 華為；Mila Montr′eal；牛津大學

論文地址 | https://arxiv.org/abs/2008.09694

該文提出online annotation module(OAM)，它學習從更大體積的弱標記圖像中生成一組多鏡頭的注釋。OAM可以與任何全監督的兩階段目標檢測方法聯合訓練，提供額外的訓練注釋。這導致了一個全端到端的策略，只需要一組low-shot的全注釋圖像。

·  Enabling Deep Residual Networks for Weakly Supervised Object Detection

作者 | Yunhang Shen, Rongrong Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu

單位 | 廈門大學；Pinterest；南科大；騰訊優圖（上海）

論文地址 | https://arxiv.org/abs/2008.09694

GitHub | https://github.com/shenyunhang/DRN-WSOD

·  Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer

作者 | Yuanyi Zhong, Jianfeng Wang, Jian Peng, Lei Zhang

單位 | 伊利諾伊大學厄巴納-香檳分校；微軟

論文地址 | 

https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710613.pdf

GitHub | https://github.com/mikuhatsune/wsod_transfer

提出了一個有效的知識遷移框架，以提高弱監督目標檢測的準確性，借助外部全注釋源數據集，其類別可能不與目標域重疊。由于存在許多現成的檢測數據集，這種設置具有很大的實用價值。為了更有效地利用源數據集，作者提出通過一類通用檢測器迭代地從源域遷移知識，并學習目標域檢測器。目標域檢測器在每次迭代中挖掘的box-level pseudo有效地改進了一類通用檢測器。因此，源數據集中的知識得到了更徹底的開發和利用。

·  Cheaper Pre-training Lunch: An Efficient Paradigm for Object Detection

作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang

單位 | 悉尼大學，商湯CV研究小組；中科院&國科大；商湯

論文地址 | https://arxiv.org/pdf/2004.12178.pdf

GitHub | 暫無

提出了一種通用而有效的訓練前范式，Montage預訓練用于目標檢測。Montage預訓練只需要目標檢測數據集，而與廣泛采用的ImageNet相比，該http URL構建了這樣一個高效的范式，通過仔細地從原始圖像中提取有用的樣本，以Montage的方式組裝樣本作為輸入，以及使用ERF自適應密集分類策略進行模型預訓練來減少潛在的冗余。這些設計不僅包括一種新的輸入模式來提高空間利用率，而且還包括一種新的學習目標，以擴大預先訓練模型的有效接受領域。

Process of our Dense Classification Strategy

目標檢測定位提精

·  Side-Aware Boundary Localization for More Precise Object Detection

作者 | Jiaqi Wang, Wenwei Zhang, Yuhang Cao, Kai Chen, Jiangmiao Pang, Tao Gong, Jianping Shi, Chen Change Loy, Dahua Lin

單位 | 香港中文大學；南洋理工大學；商湯；浙大；國科大

論文地址 | https://arxiv.org/pdf/2004.12178.pdf

GitHub | https://github.com/open-mmlab/mmdetection

本文提出Side-Aware Boundary Localization(SABL)以取代傳統的bbox回歸。提取關注于邊界內容的邊緣感知特征用來定位。提出使用該特征的輕量級two-step bucketing方法以精確定位目標。同時引入重打分(rescore)機制，利用bucket的置信度來保留高質量的bbox。在各種目標檢測流程中，SABL均展現了一致且重大的性能提升。本文通過對回歸方法的分析，觀察到更簡單精確回歸到邊界框的方法，設計的整體框架很精巧，思路很清晰，而且每個方法的提出都很明確，值得一觀。 

帶方向目標的檢測

·  PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

作者 | Zhiming Chen, Kean Chen, Weiyao Lin, John See, Hui Yu, Yan Ke, Cong Yang

單位 | 擴博智能Clobotics；上海交通大學；多媒體大學

論文地址 | https://arxiv.org/abs/2007.09584

GitHub | https://github.com/clobotics/piou

使用定向邊界框(OBB)的目標檢測可以通過減少與背景區域的重疊來更好地針對旋轉的目標。現有的OBB方法主要是建立在水平邊界框檢測器上，通過引入一個額外的角度尺寸來優化距離損失。然而，由于距離損失只最小化了OBB的角度誤差，并且它與IoU松散相關，所以它對高寬比的物體不敏感。因此，提出了一種新的損失Pixels-IoU(PioU)損失，利用角度和IoU進行精確的OBB回歸。PIoU Loss是由IoU度量導出的，具有像素級形式，簡單，適用于水平和定向邊界框。實驗結果表明，PIoU Loss可以顯著提高OBB檢測器的性能，特別是在高寬比和復雜背景的物體上。 

·  Arbitrary-Oriented Object Detection with Circular Smooth Label

作者 | Xue Yang, Junchi Yan

單位 | 上海交通大學

論文地址 | https://arxiv.org/abs/2003.05597

GitHub | https://github.com/Thinklab-SJTU/CSL_RetinaNet_Tensorflow

亮點：1）將角度預測這個回歸問題視為分類問題，同時結合了回歸任務，提高了檢測的性能。2）提出CSL來解決邊界不連續的問題。

概要：

·  觀察到基于回歸的旋轉檢測器存在邊界不連續的問題，設計了將回歸任務的角度預測轉變為分類任務；

·  提出了一種圓形平滑標簽技術（CSL） 來處理角度的周期性問題，增加了對相鄰角度的誤差范圍；

·  介紹了CSL中的四個窗口函數，并討論不同窗口半徑對檢測性能的影響。

注：Anchor-free 目標檢測、點云目標檢測和少樣本目標檢等內容下期我們繼續給大家分享！

／End.

*博客內容為網友個人發布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。