论文题目: Imbalance Problems in Object Detection: A Review

论文摘要: 在本文中,我们对物体检测中的不平衡问题进行了全面回顾。 为了系统地分析问题,我们引入了两种分类法; 一个解决问题,另一个解决方案。 按照问题的分类法,我们深入讨论每个问题,并对文献中的解决方案提出一个统一而又批判性的观点。 此外,我们确定了有关现有不平衡问题以及以前未讨论过的不平衡问题的主要开放问题。 此外,为了使我们的评论保持最新,我们提供了一个随附的网页。

成为VIP会员查看完整内容
0
34

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

目标分割和目标跟踪是计算机视觉领域的基础研究领域。这两个主题很难处理一些常见的挑战,如遮挡、变形、运动模糊、缩放变化等。前者包含异构对象、交互对象、边缘模糊性和形状复杂性;后者在处理快速运动、不可见和实时处理方面存在困难。结合视频目标分割和跟踪两个问题,可以克服各自的困难,提高视频目标的性能。VOST可广泛应用于视频摘要、高清视频压缩、人机交互、无人驾驶汽车等实际应用中。本综述旨在提供最先进的VOST方法的全面回顾,将这些方法分类为不同的类别,并确定新的趋势。首先,我们将VOST方法大致分为视频对象分割(VOS)和基于分割的对象跟踪(SOT)。根据分割和跟踪机制,将每个类别进一步划分为不同的类型。在此基础上,给出了各时间节点的代表性VOS和SOT方法。其次,对不同方法的技术特点进行了详细的讨论和概述。第三,总结了相关视频数据集的特点,并给出了各种评价指标。最后,我们指出了一系列有趣的工作,并得出了自己的结论。

成为VIP会员查看完整内容
0
43

题目: A Survey of Single-Scene Video Anomaly Detection

简介: 这篇调查文章总结了关于单个场景的视频馈送中的异常检测主题的研究趋势。 我们讨论了各种问题的表述,公开可用的数据集和评估标准。 我们将过去的研究归类并归类为一个直观的分类法。 最后,我们还提供了最佳实践,并为将来的研究提供了一些可能的方向。

成为VIP会员查看完整内容
0
16

本文介绍了一篇关于目标检测中不平衡的综述论文:Imbalance Problems in Object Detection: A Review (https://arxiv.org/abs/1909.00169, under review at TPAMI),作者结合自己最近在这方面的 Tech Report: Is Sampling Heuristics Necessary in Training Object Detectors? (https://arxiv.org/abs/1909.04868) 进行一些阐述和思考,希望可以给大家以启发。

成为VIP会员查看完整内容
0
46

In this paper, we present a comprehensive review of the imbalance problems in object detection. To analyze the problems in a systematic manner, we introduce a problem-based taxonomy. Following this taxonomy, we discuss each problem in depth and present a unifying yet critical perspective on the solutions in the literature. In addition, we identify major open issues regarding the existing imbalance problems as well as imbalance problems that have not been discussed before. Moreover, in order to keep our review up to date, we provide an accompanying webpage which catalogs papers addressing imbalance problems, according to our problem-based taxonomy. Researchers can track newer studies on this webpage available at: https://github.com/kemaloksuz/ObjectDetectionImbalance .

0
21
下载
预览

论文题目: Salient Object Detection in the Deep Learning Era: An In-Depth Survey

论文摘要: 作为计算机视觉中的一个重要问题,图像中的显著目标检测(SOD)近年来得到了越来越多的研究。最近在超氧化物歧化酶方面的进展主要是基于深度学习的解决方案(称为深超氧化物歧化酶)。为了便于深入理解深层SODs,本文提供了一个全面的综述,涵盖了从算法分类到未解决的开放问题的各个方面。特别是,我们首先从网络结构、监控级别、学习范式和对象/实例级别检测等不同角度对深度超氧化物歧化酶算法进行了综述。在此基础上,总结了现有的SOD评价数据集和指标体系。然后,在前人工作的基础上,认真编写了一个完整的SOD方法的基准测试结果,并对对比结果进行了详细的分析。另外,通过构造一个新的具有丰富属性标注的SOD数据集,研究了不同属性下的SOD算法的性能,这在以前的研究中是很少的。我们首次在现场进一步分析了deep-SOD模型的鲁棒性和可转移性。我们还研究了输入扰动的影响,以及现有SOD数据集的通用性和硬度。最后,讨论了超氧化物歧化酶存在的问题和挑战,并指出了未来可能的研究方向。

成为VIP会员查看完整内容
Salient Object Detection in the Deep Learning Era An In-Depth Survey.pdf
0
33

论文题目: Deep Learning in Video Multi-Object Tracking: A Survey

论文摘要: 多目标跟踪(MOT)的问题在于遵循序列中不同对象(通常是视频)的轨迹。 近年来,随着深度学习的兴起,提供解决此问题的算法得益于深度模型的表示能力。 本文对采用深度学习模型解决单摄像机视频中的MOT任务的作品进行了全面的调查。 确定了MOT算法的四个主要步骤,并对这些阶段的每个阶段如何使用深度学习进行了深入的回顾。 还提供了对三个MOT数据集上提出的作品的完整实验比较,确定了表现最好的方法之间的许多相似之处,并提出了一些可能的未来研究方向。

成为VIP会员查看完整内容
0
65

论文主题: Recent Advances in Deep Learning for Object Detection

论文摘要: 目标检测是计算机视觉中的基本视觉识别问题,并且在过去的几十年中已得到广泛研究。目标检测指的是在给定图像中找到具有精确定位的特定目标,并为每个目标分配一个对应的类标签。由于基于深度学习的图像分类取得了巨大的成功,因此近年来已经积极研究了使用深度学习的对象检测技术。在本文中,我们对深度学习中视觉对象检测的最新进展进行了全面的调查。通过复习文献中最近的大量相关工作,我们系统地分析了现有的目标检测框架并将调查分为三个主要部分:(i)检测组件,(ii)学习策略(iii)应用程序和基准。在调查中,我们详细介绍了影响检测性能的各种因素,例如检测器体系结构,功能学习,建议生成,采样策略等。最后,我们讨论了一些未来的方向,以促进和刺激未来的视觉对象检测研究。与深度学习。

成为VIP会员查看完整内容
0
67

论文题目: Object Detection in 20 Years: A Survey

论文简介:
目标检测作为计算机视觉中最基本和最具挑战性的问题之一,近年来受到了极大的关注。它在过去二十年的发展可以看作是计算机视觉历史的缩影。如果我们将当今的物体检测视为在深度学习的力量下的技术美学,那么将时光倒流到20年前,我们将见证冷武器时代的智慧。鉴于目标检测技术的技术发展,本文跨越了四分之一世纪的时间(从1990年代到2019年)广泛地审查了400多篇论文。本文涵盖了许多主题,包括历史上的里程碑检测器,检测数据集,度量,检测系统的基本构建块,加速技术以及最新的检测技术水平。本文还回顾了一些重要的检测应用程序,例如行人检测,面部检测,文本检测等,并对它们的挑战以及近年来的技术改进进行了深入分析。

成为VIP会员查看完整内容
0
46

论文题目: A Survey of Deep Learning-based Object Detection

论文摘要: 目标检测是计算机视觉中最重要和最具挑战性的分支之一,它已广泛应用于人们的生活中,例如监视安全性,自动驾驶等。随着用于检测任务的深度学习网络的迅速发展,对象检测器的性能得到了极大的提高。为了深入地了解目标检测的主要发展状况,在本次调查中,我们首先分析了现有典型检测模型的方法并描述了基准数据集。之后,我们以系统的方式全面概述了各种目标检测方法,涵盖了一级和二级检测器。此外,我们列出了传统和新的应用程序。还分析了对象检测的一些代表性分支。最后,我们讨论了利用这些对象检测方法来构建有效且高效的系统的体系结构,并指出了一组发展趋势,以更好地遵循最新的算法和进一步的研究。

作者介绍: Licheng Jiao 1982年获得中国上海交通大学博士学位,并分别于1984年和1990年获得西安交通大学的博士学位。 1990年至1991年,他是西安电子科技大学雷达信号处理国家重点实验室的博士后研究员。自1992年以来,焦博士一直是中国西安电子科技大学电子工程学院的教授,目前是电子工程学院的院长,也是智能感知与图像理解重点实验室的主任。 西安电子科技大学中国教育部 1992年,焦博士获得了青年科学技术奖。 1996年,他获得了中国教育部跨世纪专家基金的资助。 从1996年起,他被选为“中国第一级人才计划”的成员。2006年,他被霍英东教育基金会授予高中青年教师奖一等奖。 从2006年起,他被选为陕西省特别贡献专家。

成为VIP会员查看完整内容
0
39

题目: Deep Learning in Video Multi-Object Tracking: A Survey

简介: 多对象跟踪(MOT)的问题在于遵循序列中不同对象(通常是视频)的轨迹。 近年来,随着深度学习的兴起,提供解决此问题的算法得益于深度模型的表示能力。 本文对采用深度学习模型解决单摄像机视频中的MOT任务的作品进行了全面的调查。 确定了MOT算法的四个主要步骤,并对这些阶段的每个阶段如何使用深度学习进行了深入的回顾。 还提供了对三个MOTChallenge数据集上提出的作品的完整实验比较,确定了表现最好的方法之间的许多相似之处,并提出了一些可能的未来研究方向。

成为VIP会员查看完整内容
DEEP LEARNING IN VIDEO MULTI-OBJECT TRACKING.pdf
0
34
小贴士
相关VIP内容
专知会员服务
46+阅读 · 2020年3月16日
密歇根大学《20年目标检测综述》
专知会员服务
70+阅读 · 2019年10月13日
相关资讯
小目标检测相关技巧总结
极市平台
24+阅读 · 2019年8月15日
深度学习目标检测算法综述
AI研习社
15+阅读 · 2019年2月1日
Image Captioning 36页最新综述, 161篇参考文献
专知
74+阅读 · 2018年10月23日
干货 | 基于深度学习的目标检测算法综述
AI科技评论
14+阅读 · 2018年9月1日
干货 | 基于深度学习的目标检测算法综述(二)
AI科技评论
13+阅读 · 2018年8月20日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
使用SSD进行目标检测:目标检测第二篇
专知
28+阅读 · 2018年1月28日
深度学习时代的目标检测算法综述
AI前线
6+阅读 · 2017年9月22日
相关论文
Kemal Oksuz,Baris Can Cam,Sinan Kalkan,Emre Akbas
21+阅读 · 2020年3月11日
Object Detection in 20 Years: A Survey
Zhengxia Zou,Zhenwei Shi,Yuhong Guo,Jieping Ye
38+阅读 · 2019年5月13日
H. Ismail Fawaz,G. Forestier,J. Weber,L. Idoumghar,P. Muller
8+阅读 · 2019年3月14日
Less is More: Learning Highlight Detection from Video Duration
Bo Xiong,Yannis Kalantidis,Deepti Ghadiyaram,Kristen Grauman
5+阅读 · 2019年3月3日
Wenhui Zhang,Tejas Mahale
3+阅读 · 2018年12月13日
Bingyi Kang,Zhuang Liu,Xin Wang,Fisher Yu,Jiashi Feng,Trevor Darrell
6+阅读 · 2018年12月5日
Ting-Wu Chin,Chia-Lin Yu,Matthew Halpern,Hasan Genc,Shiao-Li Tsao,Vijay Janapa Reddi
4+阅读 · 2018年10月4日
Localization Recall Precision (LRP): A New Performance Metric for Object Detection
Kemal Oksuz,Baris Can Cam,Emre Akbas,Sinan Kalkan
4+阅读 · 2018年7月4日
Rakesh Mehta,Cemalettin Ozturk
5+阅读 · 2018年5月16日
Xuanyi Dong,Liang Zheng,Fan Ma,Yi Yang,Deyu Meng
7+阅读 · 2018年2月14日
Top