所以本文针对目标检测中的NMS作进一步研究，基本的NMS方法，利用得分高的边框抑制得分低且重叠程度高的边框。NMS方法虽然简单有效，但在更高的目标检测需求下，也存在如下缺点：...

装有摄像头的无人机具有捕获空中图像(鸟瞰图)的优势。由于空中图像数据的可用性和目标检测算法的新进展，使得计算机视觉界将注意力集中到航摄图像上的目标检测任务。但是在现有的带有目标标注的可视化的空中数据集中，无...

基于深度学习的目标检测和实例分割取得了前所未有的进展。在本文中，我们提出了CIoU (Complete-IoU)损失和Cluster-NMS来增强边界盒回归和非最大抑制(NMS)中的几何因子，在不牺牲推理效率的情况下，平均精度(AP)和平均召回...

当前随着深度学习算法的的快速发展，出现了很多特征提取网络结构，可以提高算法的精度。但是需要在大数据集上对这些特征组合进行实际测试，并对结果进行理论验证。有些特征专门针对某些模型和某些问题，或者只针对小规模数据...

随着深度卷积神经网络的兴起，视觉目标检测取得了前所未有的发展。然而，在大型图像中检测微小的物体(例如小于20像素的微小的人)，检测效果仍不理想。由于巨大且复杂的背景使得错误风险提高，导致微小物体的特征表示非常困难...

近年来，anchor-based检测器一直是目标检测应用中的主流。由于FPN和Focal Loss的引入，近几年来anchor-free检测器成为人们的关注热点。本文首先指出anchor-based检测与anchor-free检测的本质区别是在于如何定义正训练样...

边界盒回归是目标检测的关键步骤。在现有的方法中，虽然n范数损失被广泛地应用于包围盒回归，但不适合用于评估度量，即IoU。最近，有学者提出了IoU损失和广义IoU（GIoU）损失来衡量IoU度量，但仍存在收敛速度慢和回归不准确的问题...

论文地址：http://arxiv.org/pdf/1907.03670v3.pdf

目标检测中的不平衡问题是一个非常古老的问题，自检测器诞生初始，各位学者就在进行研究。本文对目标检测中的不平衡问题(Class imbalance, Scale imbalance, Spatial imbalance, Objectiveimbalance)进行了全面的综述。...

单阶段目标检测器存在严重的前、后目标不平衡问题，主要是由于单阶段目标检测器通过同时优化分类-损失和定位-损失来训练，而anchor的数量很大造成的。为解决这一问题，本文提出了一种新的框架，将单级检测器中的分类任务替换...