Towards Universal Object Detection by Domain Attention

最新推荐文章于 2023-06-23 11:13:42 发布
最新推荐文章于 2023-06-23 11:13:42 发布
阅读量392 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 每天一篇论文 文章标签： Paper
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/CSS360/article/details/95447172

项目链接：http://www.svcl.ucsd.edu/projects/universal-detection/

摘要

        尽管增加提供在普遍代表在视觉识别，较少有在目标检测。在这边文章中，我们提出了一个高效和有效的普遍目标检测系统，这是有能力工作在各种图像区域，从人脸和交通信号到当代CT图像。不像多任务模型，这个普遍模型不需要先验知识，在这个区域中感兴趣的。这个被完成是通过介绍一个新的适用层族，基于规则队列和激励，和一个新的区域注意机制。在这个提出的普遍检测器，所有参数和计算将被分享通过域，以及一个单一的网络处理在所有域中所有时间中。实验，在一个新建立普遍的目标检测基准11种数据集，展示这个提出的检测器性能优于一个现存的单个检测器，多任务检测器，以及一个基线普遍检测器，使用一个1.3x参数增加一个单一域基线检测器。这个代码和基准将被发布在http://www.svcl.ucsd.edu/projects/universal-detection/

通用目标检测基准

                             

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料

 

计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8676
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
最优传输论文（十）：Domain-attention Conditional Wasserstein Distance for Multi-source Domain Adaptation论文原理
lyy的博客
07-01 685
目录前言简要介绍INTRODUCTIONRELATED STUDIESDomain AdaptationOptimal TransportMETHODOLOGYProblem DefinitionThe Wasserstein DistanceConditional Wasserstein DistanceDomain-attention Conditional Wasserstein DistanceComplexity AnalysisEXPERIMENTData SetsBaseline Method
Object Detection(目标检测神文)(二)
Mars_WH的专栏
03-22 1万+
文章目录[CVPR2019] Region Proposal by Guided Anchoring[CVPR2019] Feature Selective Anchor-Free Module for Single-Shot Object Detection [CVPR2019] Region Proposal by Guided Anchoring intro: CUHK - SenseTi...
Towards Universal Object Detection by Domain Attention解读
WangKingJ的博客
11-10 1048
论文地址 代码 概述  论文提出了一个通用的目标检测系统，适应于不同的领域，而且不需要任何的先验知识。该模型基于SENet，将多个SENet得到的特征图连接在一起，并且提出了domain attention，将其施加在连接好的特征图后，这样能够使模型更好地适应不同场景下的目标检测任务。 本文的主要工作如下： 建立了一个新的benckmark,包括11个不同的目标检测的数据集。 提出了一系列系统结...
【目标检测】14、Towards Universal Object Detection by Domain Attention
呆呆的猫的博客
06-19 3489
文章目录摘要1. 引言2. 相关工作3. 多域目标检测3.1 通用目标检测基准3.2 单域检测器组3.3 自适应多域检测器3.4 SE 适配器4. 通用目标检测器4.1 通用检测器4.2 Domain-attentive 通用检测器4.3 通用 SE 适配器组4.4 域注意力5. 实验5.1 数据集和实验验证5.2 单域检测5.3 多域检测5.4 SE 适配器个数的影响5.5 在所有 benchm.........
（论文阅读）Towards Universal Object Detection by Domain Attention
RF~or的博客
11-11 426
问题：目前的目标检测器只能适用于单一的检测场景。 目的：建立一种适用于各种场景的通用的目标检测系统。 （a）单域检测器组 （b）自适应多域检测器 （c）通用检测器 （d）域注意通用检测器 相关研究： 目标检测：两阶段检测框架：RCNN,Fast R-CNN,Faster R-CNN；一阶段检测框架（速度快）：YOLO,SSD。它们应用在不同数据集上时都需要微调模型。 多任务学习：多...
Towards Universal Object Detection by Domain Attention翻译
WangKingJ的博客
11-10 527
论文链接 Abstract  尽管在视觉识别的通用表示方面的工作越来越多，但很少有人涉及到对象检测。在这篇文章中，我们开发了一个有效且高效的通用对象检测系统，它能够在各种图像领域工作，从人脸和交通标志到医学CT图片。与多领域模型不同，这个通用的模型不需要事先了解感兴趣的区域。它是通过引入一个新的适应层，基于挤压和激励原理，以及一个新的领域关注机制来实现的。在提出的通用检测器中，所有的参数和计算都是...
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
域适应+目标检测 论文合辑
wangs1996
01-20 1445
ContentRepo2021202020192018Reference Repo Github 2021 [AAAI] A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [AAAI] Category Dictionary Guided Unsupervised Domain Adaptation for Object Detection [ARXIV] Curriculum Self-P
Towards Universal Object Detection by Domain Attention 论文阅读
Nick Blog
05-12 472
Title Towards Universal Object Detection by Domain Attention 标题 通过域注意力实现通用目标检测 pdf https://arxiv.org/pdf/1904.04402.pdf 摘要 尽管在用于视觉识别的通用表示上付出了更多的努力，但是很少有人解决物体检测问题。在本文中，我们开发了一种有效且高效的通用对象检测系统，该系统能够处理从人脸和交通标志到医学CT图像的各种图像领域。与多域模型不同，此通用模型不需要先了解感兴趣的域。...
domain-attention:论文“用于多域情感分类的域注意模型”的代码
05-14
域注意 论文“多域情感分类的域注意力模型” （）中提出了域注意力模型，该模型已被接受。 数据 我们使用的数据集是 ，其中包含原始数据。 培训与测试 例如，您可以使用以下命令来测试MDSD数据集中的模型： python model.py 参数设置在SharedData中定义的model.py中model.py 。 可以在/run-logs文件夹中找到3次重复运行的运行日志文件（使用脚本中的默认参数），该文件提供以下准确性结果： 领域 图书 DVD 电子产品 厨房 运行1 0.8762 0.8663 0.8663 0.8911 运行2 0.8861 0.8614 0.8713 0.8960 运行3 0.8960 0.8614 0.8713 0.8960 本文报告的结果是十次运行的平均值（十倍交叉验证），可能与上述结果略有不同。 注意：您应该首先下载M
Attention机制在计算机视觉中的应用(三)：CVPR2019通用目标检测 Towards Universal Object Detection by Domain Attention
qq_35985044的博客
05-17 4755
论文地址：Towards Universal Object Detection by Domain Attention 该论文提出了一个通用的物体检测模型，适用于任一目标检测场景，在多个数据集上表现良好。该模型基于SENet，将多个SENet得到的特征图连接在一起，并且提出了domain attention，将其施加在连接好的特征图后，这样能够使模型...
【最优传输论文十一】Domain-attention Conditional Wasserstein Distancefor Multi-source Domain Adaptation（2020）
m0_60231311的博客
06-23 279
由于简单地在所有源数据上训练分类器并在目标数据上执行预测可能无法获得令人满意的性能，因为该方法忽略了每个源域对目标域的不同贡献量。因此考虑对不同源数据样本进行加权并施加注意机制。本文提出了一种新的方法——域注意力条件Wasserstein距离(DCWD)，通过学习转移的权重来评估源域和目标域之间的相关性。对于每个源域和目标域，设计了一个考虑标签信息的条件Wasserstein距离目标函数来度量每个源域和目标域之间的距离。
CVPR2019| CVPR论文接收列表！
中科院AI算法工程师的博客
03-19 1万+
欢迎关注微信公众号【计算机视觉联盟】获取更多前沿AI、CV资讯 统计CVPR2019论文（附链接、和代码），更新于8月11日（arXiv最新日期），持续更新中！ 1294篇的CVPR2019论文PDF下载： 关注公众号【计算机视觉联盟】回复关键词【CVPR2019】即可获取下载链接！ 【1】Learning Regularity in Skeleton Trajectories ...
计算机视觉中attention机制的理解
bigbug_sec的博客
04-04 4799
一、前言&简介 对于attention机制的理解，在看了attention is all you need文章和参考网上一些文章之后，做一个简单的理解和总结。 在 attention is all you need 的这篇文章中给出了在nlp中使用注意力机制的一个解决思路。文章提出，以往nlp里大量使用RNN结构和encoder-decoder结构，RNN及其衍生网络的缺点就是慢，问题...
【今日CV 计算机视觉论文速览 第98期】Wed, 10 Apr 2019
TomRen
04-11 3816
第98期 视觉论文速览 通用检测器 多模态风格迁移 着装人体建模 点云去噪 投影表面补偿
论文阅读梗概
程序员养成日记
12-02 1658
REDUCING TRANSFORMER DEPTH ON DEMAND WITH STRUCTURED DROPOUT论文阅读 过参数化网络虽然在很多领域取得很好的效果，但是这些模型计算量大，容易出现过拟合。文章研究了结构化dropout方法layer dropout。它在训练期间具有正则化的效果，并允许在推理阶段进行高效的修剪。 结构化dropout是神经网络在预测时有更强的鲁棒性，文章将重点放在结构是层的设置上，以实现对任何所需深度的浅层和高效模型的修剪。在各种文本生成和预训练任务中，层dropout
AAAI2020|Domain Adaptative Attention Learning for Unsupervised Cross-Domain Person Re-Identification
weixin_40607428的博客
03-11 1890
@TDomain Adaptive Attention Learning for Unsupervised Cross-Domain Person Re-IdentificationOC 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的...
AODRaw: Towards RAW Object Detection in Diverse Conditions
最新发布
03-29
### AODRaw在不同条件下的RAW对象检测 AODRaw 是一种专注于处理原始图像数据（RAW 数据）的对象检测方法。其设计目标是在不依赖传统 JPEG 或其他压缩格式的情况下，直接从相机传感器捕获的 RAW 图像中提取特征并完成对象检测任务。这种方法的优势在于能够保留更多的细节信息，从而提高检测精度。 #### 原始点云与网格模型的关系 尽管 AODRaw 的主要应用场景并非点云或网格结构的数据，但可以借鉴类似的理论基础来理解其工作原理。例如，在三维重建领域，点云表示物体为空间中的离散点集合[^1]。然而，由于缺乏连接性信息，这些点之间的关系难以被有效利用。相比之下，基于网格的方法通过定义顶点间的拓扑关系提供了更丰富的几何描述。这种对比启发我们思考如何在二维平面内构建像素级关联以增强 RAW 数据的表现力。 #### 高效架构搜索策略的应用 为了优化 AODRaw 的性能表现，研究者引入了一种名为 RANK-NOSH 的高效预测器驱动型神经网络架构搜索算法[^2]。该技术采用非均匀连续削减机制筛选候选解空间内的潜在优秀配置方案，并结合排名估计进一步缩小探索范围直至找到最优子网结构为止。此过程显著降低了计算成本的同时还保持了较高的准确性水平。 #### 边缘设备上的AI模型管理实践 当考虑将 AODRaw 应用于实际场景时，则不可避免地涉及到部署于资源受限环境(如移动终端)上运行这一挑战。此时就需要一套完善的解决方案来进行有效的版本控制、实时监控以及周期性的参数调整操作[^3]。只有这样才能确保即使面对不断变化的实际拍摄状况也能维持稳定可靠的识别效果。 以下是针对上述讨论提出的几个具体实现方向或者改进思路： ```python import torch.nn as nn class AODRawDetector(nn.Module): def __init__(self, backbone='resnet', num_classes=80): super(AODRawDetector, self).__init__() # Backbone initialization based on selected architecture. if backbone == 'resnet': from torchvision.models import resnet50 self.backbone = resnet50(pretrained=True) elif backbone == 'custom': pass # Customized lightweight network design here. # Additional layers tailored specifically towards handling raw image inputs. self.raw_preprocessor = nn.Sequential( nn.Conv2d(in_channels=4, out_channels=64, kernel_size=7), nn.ReLU(), ... ) def forward(self, x): processed_x = self.raw_preprocessor(x) features = self.backbone(processed_x) return features ``` 以上代码片段展示了一个简化版的 AODRaw 检测框架雏形。其中包含了预处理器模块用来适配来自 CMOS/CCD 芯片未经加工过的四通道 Bayer Pattern 输入；同时也预留接口允许替换不同的骨干网络组件满足特定需求。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值