【论文学习】2016 CVPR 目标检测必读paper

最新推荐文章于 2020-06-20 11:02:15 发布

原创

最新推荐文章于 2020-06-20 11:02:15 发布 · 541 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #CVPR

本文介绍了2016年CVPR大会上关于目标检测的重要论文，包括Deep Residual Learning、YOLO、LocNet、HyperNet和Inside-outside Net。这些研究在速度、精度和上下文信息利用方面进行了创新，对后续的目标检测算法如SSD有着深远影响。

1、Deep residual learning for image recognition

何凯明的代表作之一，获得了16年的bestpaper。文章不是针对目标检测来做的，但其解决了一个最根本的问题：更有力的特征。检测时基于Faster R-CNN的目标检测框架，使用ResNet替换VGG16网络可以取得更好的检测结果。（实际上，使用ResNet网络代替ZF, VGG, GoogleNet等网络模型无论在图像分类、目标检测还是图像分割等任务上都可以大大提高识别的准确率）

2、You only look once: Unified, real-time object detection

这是16年的oral。这个工作在识别效率方面的优势很明显，可以做到每秒钟45帧图像，处理视频是完全没有问题的。YOLO最大贡献是提出了一种全新的检测框架——直接利用CNN的全局特征预测每个位置可能的目标，相比于R-CNN系列的region proposal+CNN 这种两阶段的处理办法可以大大提高检测速度。今年新出来的SSD方法虽然在识别率上边有了很大的提升，但YOLO的先驱作用是显而易见的。