目前的3D检测网络要么依赖于2D对象建议，要么尝试从场景中的每个点直接预测包围盒参数。前一种方法依赖于二维探测器的性能，后一种方法由于点云的稀疏和遮挡而具有挑战性，难以回归准确的参数。在这项工作中,我们引入一个新的3 d对象检测方法具有重要意义在两个主要方面:a)级联模块化方法,每个模块的接受域关注特定点的点云,改善功能学习和b)类不可知论者实例使用无监督聚类分割模块,启动。级联方法的目标是按顺序最小化通过网络的点的数量。而三个不同的模块通过各自训练的基于点的网络执行背景前景分割、类无关实例分割和目标检测等任务。我们还评估了模块中的贝叶斯不确定性，在我们的预测结果中展示了所有级别的信心。该网络的性能是在SUN RGB-D基准数据集上进行评估的，与最先进的方法相比，该数据集显示了一种改进。

A Hierarchical Graph Network for 3D Object Detection on Point Clouds

基于点云的三维目标检测有着广泛的应用。然而，大多数已知的点云目标检测方法并不能充分适应点云的稀疏性等特征，从而不能很好地捕捉到一些关键的语义信息(如形状信息)。本文提出了一种新的基于图卷积(GConv)的层次图网络(HGNet)用于三维目标检测，该网络直接对原始点云进行处理来预测三维包围盒。HGNet有效地捕获了点之间的关系，并利用多层语义进行目标检测。特别地，我们提出了一种新的关注形状的GConv (SA-GConv)，通过建模点的相对几何位置来描述物体的形状，从而捕获局部形状特征。基于SA-GConv的u形网络捕获多层特征，通过改进的投票模块映射到相同的特征空间，然后进一步利用该特征空间生成建议。然后，基于GConv的建议推理模块考虑全局场景语义对建议进行推理，并预测包围盒。因此，我们的新框架在两个大尺度点云数据集上优于最先进的方法，在SUN RGB-D上的平均平均精度(mAP)高出4%，在ScanNet-V2上的mAP高出3%

DSGN: Deep Stereo Geometry Network for 3D Object Detection | code

最先进的3D物体探测器严重依赖于激光雷达传感器，因为基于图像的方法和基于激光雷达的方法之间存在很大的性能差距。这是由于在三维场景中对预测形成表征的方式造成的。我们的方法称为深度立体几何网络(DSGN)，通过在可微体积表示的三维几何体上检测三维物体，有效地为三维规则空间编码三维几何结构，显著地减少了这一差距。有了这种表示法，我们同时学习深度信息和语义线索。我们首次提供了一种简单而有效的单阶段基于立体的三维检测管道，以端到端学习的方式联合估计深度和检测三维物体。我们的方法优于以前的基于立体的3D探测器(在AP方面大约高10)，甚至在KITTI 3D物体检测排行榜上实现与几种基于lidar的方法相当的性能

MonoPair: Monocular 3D Object Detection Using Pairwise Spatial Relationships

单目三维目标检测是自动驾驶中一个重要的组成部分，同时也是一个具有挑战性的问题，特别是对于那些局部可见的遮挡样本。大多数检测器将每个三维对象作为独立的训练目标，不可避免地导致对遮挡样本缺乏有用的信息。为此，我们提出了一种通过考虑成对样本之间的关系来改进单目三维目标检测的新方法。这允许我们从相邻的邻居中为部分遮挡的对象编码空间约束。具体地说，所提出的检测器计算目标位置和相邻目标对的三维距离的不确定感知预测，这些预测随后通过非线性最小二乘联合优化。最后，将单站不确定性预测结构与后优化模块进行了集成，保证了系统的运行效率。实验表明，我们的方法产生了KITTI 3D检测基准的最佳性能，通过远远超过最先进的竞争对手，特别是硬样本

Learning Depth-Guided Convolutions for Monocular 3D Object Detection | code

由于缺乏准确的深度信息，在没有激光雷达的情况下从单幅图像中进行三维目标检测是一项具有挑战性的任务。传统的二维卷积算法由于无法捕获局部目标及其尺度信息而不适用于此任务，而这对于三维目标检测至关重要。为了更好地表示三维结构，现有技术通常将二维图像估计的深度图转换为伪激光雷达表示，然后应用现有的基于三维点云的目标探测器。然而，他们的结果严重依赖于估计的深度图的准确性，导致性能欠佳。在这个工作,而不是使用pseudo-LiDAR表示,我们改善基本2 d完全运算提出了一个新的本地卷积网络(LCN),称为Depth-guided Dynamic-Depthwise-Dilated LCN (D4LCN),过滤器和他们接受字段可以自动从基于图像的深度地图,使不同像素的不同的图片有不同的过滤器。D4LCN克服了传统二维卷积的局限性，缩小了图像表示与三维点云表示之间的差距。大量的实验表明，D4LCN的性能大大优于现有的工作。例如，在中等设置下，D4LCN相对于KITTI的最新水平的相对改善为9.1%。D4LCN在提交KITTI单眼三维物体检测基准测试中排名第一(2019年12月，car)

Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection

从3D点云中进行目标检测仍然是一项具有挑战性的任务，尽管最近的研究用深度学习技术突破了极限。由于点云数据存在严重的空间遮挡和点密度随传感器距离变化的内在差异，同一目标在点云数据中的外观变化很大。因此，针对这种外观变化设计鲁棒的特征表示是三维物体检测方法的关键问题。本文创新性地提出了一种类似域自适应的方法来增强特征表示的鲁棒性。更具体地说，我们在感知域(特征来自真实场景)和概念域(特征来自增强场景(由丰富详细信息的非遮挡点云组成)之间架起了桥梁。这种领域适应方法模拟了人脑在进行物体感知时的功能。大量的实验表明，我们简单而有效的方法从根本上提高了三维点云物体检测的性能，并达到了最先进的结果

Structure Aware Single-stage 3D Object Detection from Point Cloud

基于点云数据的三维目标检测在自动驾驶中起着至关重要的作用。目前的单级检测器是高效的，它以一种完全卷积的方式逐步缩小三维点云。然而，压缩后的特征不可避免地丢失了空间信息，不能充分利用三维点云的结构信息，降低了定位精度。在本研究中，我们提出利用三维点云的结构信息来提高单级探测器的定位精度。具体来说，我们设计了一个辅助网络，将骨干网中的卷积特征转换回点级表示。通过两个点级监督，共同优化辅助网络，引导骨干网络中的卷积特征感知对象结构。训练后的辅助网络可以被分离，因此在推理阶段不引入额外的计算。此外，针对单级检测器预测边界盒与分类信任之间存在不一致性的问题，提出了一种有效的部分敏感翘曲操作，将分类信任盒与预测边界盒对齐。我们提出的检测器在KITTI 3D/BEV检测排行榜上名列前茅，运行速度为25 FPS

IDA-3D: Instance-Depth-Aware 3D Object Detection from Stereo Vision for Autonomous Driving | code

三维目标检测是自动驾驶和虚拟现实中一个重要的场景理解任务。基于激光雷达技术的方法具有较高的性能，但激光雷达的成本较高。考虑更一般的场景,没有3 d激光雷达数据的数据集,我们提出一个3 d对象从立体视觉检测的方法不依赖于激光雷达数据作为输入或监督训练,但只需要RGB图像与相应的注释3 d边界框作为训练数据。摘要针对影响三维目标检测性能的关键因素是物体的深度估计问题，提出了一种基于实例深度感知、视差自适应和匹配代价重加权的三维包围盒中心深度预测模块。我们的模型是一个端到端的学习框架，不需要多阶段和后处理算法。我们在KITTI基准上提供了详细的实验，与现有的基于图像的方法相比，实现了令人印象深刻的改进

ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes

由于点云深度学习技术的进步，三维目标检测取得了快速进展。最近的一些作品甚至显示了最先进的性能，只需要点云输入(如VOTENET)。然而，点云数据有其固有的局限性。它们稀疏，缺乏颜色信息，经常受到传感器噪声的影响。另一方面，图像具有高分辨率和丰富的纹理。因此，它们可以补充点云提供的3D几何图形。然而如何有效利用图像信息辅助点云检测仍是一个有待解决的问题。在本文中，我们在VOTENET的基础上，提出了一种专门用于RGB-D场景的3D检测架构IMVOTENET。IMVOTENET是基于融合图像中的2D投票和点云中的3D投票。与以往的多模态检测相比，本文明确地从二维图像中提取几何特征和语义特征。我们利用相机参数将这些功能提升到3D。为了提高2D-3D特征融合的协同能力，我们还提出了一种多塔训练方案。我们在具有挑战性的SUN RGB-D数据集上验证了我们的模型，通过5.7 mAP提高了最先进的结果。我们还提供了丰富的消融研究来分析每种设计选择的贡献

End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection | code

可靠、准确的三维目标检测是实现安全自主驾驶的必要条件。虽然激光雷达传感器可以提供精确的三维点云环境估计，但在许多情况下，它们也非常昂贵。伪激光雷达(PL)的引入使得基于激光雷达传感器的方法与基于廉价立体相机的方法之间的精度差距大大缩小。PL结合了最先进的深度神经网络，用于三维深度估计和那些通过转换二维深度图输出到三维点云输入的三维物体检测。然而，到目前为止，这两个网络还必须单独训练。在本文中，我们介绍了一个基于可微分表示变化模块的新框架，该框架允许整个PL管道端到端训练。最终的框架是兼容最先进的网络，为这两个任务，并结合PointRCNN改进超过PL始终在所有基准产生KITTI基于图像的3D对象检测排行榜上的最高进入提交时

Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud | code

本文提出了一种基于图神经网络的激光雷达点云目标检测方法。为此，我们在一个固定半径的近邻图中有效地编码点云。我们设计了一个图神经网络点gnn，用来预测图中每个顶点所属对象的类别和形状。在point-gnn中，我们提出了一种自动配准机制来减少平移方差，并设计了一个盒合并和评分操作来精确合并多个顶点的检测。我们在KITTI基准上的实验表明，该方法仅使用点云就可以达到领先的精度，甚至可以超过基于融合的算法。我们的结果证明了使用图神经网络作为一种新的三维目标检测方法的潜力

PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection

我们提出了一种新的高性能三维物体检测框架PointVoxel-RCNN (PV-RCNN)，用于从点云中精确地检测三维物体。我们提出的方法深入集成了3D体素卷积神经网络(CNN)和基于点的集合抽象，以学习更多的判别点云特征。它利用了3D体素CNN的高效学习和高质量建议，以及基于点网的网络的灵活接收域。具体地说，该框架通过一个新的体素集抽象模块将具有3D体素CNN的3D场景归纳为一个小的关键点集，以节省后续计算，并对具有代表性的场景特征进行编码。针对体素CNN生成的高质量3D提案，提出了RoIgrid池，通过关键点集抽象将提案特定的特征抽象到roi网格点。与传统的池化操作相比，RoI-grid特征点编码了更丰富的上下文信息，可用于精确估计对象的坐标和位置。在KITTI数据集和Waymo开放数据集上的大量实验表明，我们提出的PV-RCNN以显著的优势超越了最先进的3D检测方法

Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation | code

在本文中，我们提出一种新的系统Disp R-CNN用于三维物体检测从立体图像。最近的许多工作都是通过利用视差估计恢复点云，然后应用三维检测器来解决这个问题。视差映射是为整个图像计算的，这是昂贵的，而且不能利用特定类别的先验。相比之下，我们设计了一个实例视差估计网络(iDispNet)，它只预测感兴趣物体上的像素的视差，并学习一个类别特定的形状优先，以便更准确地估计视差。为了解决训练中视差标注不足的问题，我们提出了一种不需要激光雷达点云的统计形状模型来生成密集的视差伪地真，使我们的系统具有更广泛的适用性。在KITTI数据集上的实验表明，即使在训练时激光雷达地面真相不可用，Disp R-CNN实现了具有竞争力的性能，并在平均精度方面优于之前的最先进的方法20%

Physically Realizable Adversarial Examples for LiDAR Object Detection

现代自动驾驶系统严重依赖深度学习模型来处理点云感知数据;与此同时，深度模型已被证明易受对抗性攻击的影响，这些攻击带有视觉上难以察觉的扰动。尽管这给自动驾驶行业带来了安全方面的担忧，但在3D感知方面的探索很少，因为大多数对抗性攻击只应用于2D平面图像。在本文中，我们解决了这个问题，并提出了一种生成通用3D对抗对象的方法来欺骗激光雷达探测器。特别地，我们展示了在任何目标车辆的屋顶上放置一个对抗物体来完全隐藏车辆，使其不被激光雷达探测器发现，成功率为80%。我们使用点云的各种输入表示来报告一套检测器上的攻击结果。我们还利用数据增强进行了对抗性防御的试点研究。这是朝着更安全的无人驾驶技术又近了一步，无人驾驶技术可以在看不到的情况下使用有限的训练数据

PointPainting: Sequential Fusion for 3D Object Detection

相机和激光雷达是机器人，特别是自动驾驶汽车的重要传感器形式。传感器提供补充信息，为紧密的传感器融合提供机会。令人惊讶的是，仅lidar方法在主要基准数据集上优于融合方法，这表明文献中存在空白。在本研究中，我们提出了点绘制:一种序列融合方法来填补这一空白。点绘的工作原理是将激光雷达点投射到一个纯图像语义分割网络的输出中，并将类别分数附加到每个点上。然后，附加(绘制)的点云可以提供给任何lidaronly方法。实验表明，在三种不同的最先进的方法，Point-RCNN, VoxelNet和PointPillars在KITTI和nuScenes数据集上有很大的改进。PointRCNN的彩色版本代表了KITTI鸟瞰图检测任务排行榜上的一个新的艺术状态。在消融过程中，我们研究了绘画效果如何依赖于语义分割输出的质量和格式，并演示了如何通过流水线最小化延迟

MLCVNet: Multi-Level Context VoteNet for 3D Object Detection | code

本文利用自注意机制和多尺度特征融合的方法，通过捕获多层上下文信息来实现三维目标检测。现有的大多数三维物体检测方法都是单独识别物体，没有考虑到物体之间的上下文信息。相比之下，我们在目前最先进的VoteNet的基础上，提出了多层上下文VoteNet (MLCVNet)来识别相互关联的三维对象。我们在VoteNet的投票和分类阶段引入了三个上下文模块，对不同层次的上下文信息进行编码。具体地说，在为它们对应的对象质心点投票之前，使用Patch-to-Patch上下文(PPC)模块捕获点之间的上下文信息。随后，在提案和分类阶段之前合并对象到对象上下文(OOC)模块，以捕获对象候选之间的上下文信息。最后，设计了全局场景上下文(Global Scene Context, GSC)模块来学习全局场景上下文。我们通过捕获补丁、对象和场景级别的上下文信息来演示这些。我们的方法是一种提高检测精度的有效方法，在具有挑战性的三维物体检测数据集，即SUN RGBD和ScanNet上实现新的最先进的检测性能

HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection

本文提出了一种基于点云的自动驾驶三维目标检测统一网络——混合体素网络(HVNet)。最近的研究表明，利用每个体素点网风格的特征提取器进行二维体素化可以实现对大型3D场景的准确、高效的检测器。由于特征映射的大小决定了计算和内存成本，体素的大小成为一个难以平衡的参数。体素尺寸越小，性能越好，特别是对于小对象，但是推理时间越长。较大的体素可以用较小的特征地图覆盖相同的区域，但无法捕捉复杂的特征和较小物体的准确位置。我们提出了一种混合体素网络，通过融合不同尺度的体素特征编码器(VFE)在点水平上并投影到多个伪图像特征映射来解决这一问题。我们进一步提出了一种优于普通VFE的体素特征编码和一种特征融合金字塔网络，以在特征映射层次上聚合多尺度信息。在KITTI基准上的实验表明，在所有现有方法中，单个HVNet获得的mAP效果最好，实时推理速度为31Hz

LiDAR-based Online 3D Video Object Detection with Graph-based Message Passing and Spatiotemporal Transformer Attention | code

现有的基于激光雷达的三维目标检测通常只关注单帧检测，而忽略了连续点云帧中的时空信息。在本文中，我们提出了一个端到端的在线三维视频对象检测器，该检测器对点云序列进行操作。该模型包括空间特征编码组件和时空特征聚合组件。在前者中，提出了一种新的柱状消息传递网络(PMPNet)，对每个离散点云帧进行编码。该方法通过迭代消息传递自适应地从相邻节点处收集柱子节点的信息，有效地扩大了柱子特征的接收域。在后一个组件中，我们提出了一个注意时空转换GRU (AST-GRU)来聚合时空信息，改进了传统的具有注意记忆门限机制的ConvGRU。AST-GRU包含一个空间变换注意(STA)模块和一个时间变换注意(TTA)模块，分别强调前景对象和对齐动态对象。实验结果表明，所提出的三维视频对象检测器在大规模的nuScenes基准上达到了最先进的性能

SESS: Self-Ensembling Semi-Supervised 3D Object Detection | code

现有的基于点云的三维目标检测方法的性能严重依赖于大规模高质量的三维标注。但是，收集这样的注释通常是冗长且昂贵的。半监督学习是一种很好的替代方法，可以缓解数据标注问题，但在三维物体检测中仍未得到很大程度的开发。受近年来自集成技术在半监督图像分类任务中取得成功的启发，我们提出了一种自集成半监督三维目标检测框架SESS。具体地说，我们设计了一个彻底的扰动方案来增强网络对未标记和新的未见数据的泛化。此外，我们提出三种一致性损失来加强两组预测的三维对象建议之间的一致性，以促进对象的结构和语义不变性的学习。在SUN RGB-D和ScanNet数据集上进行的大量实验表明，SESS在诱导和传感半监督三维目标检测方面都是有效的。与最先进的全监督方法相比，我们的SESS仅使用了50%的标记数据，实现了具有竞争力的性能

Joint 3D Instance Segmentation and Object Detection for Autonomous Driving

目前，在自动驾驶(AD)中，大多数三维物体检测框架(无论是基于锚点的还是基于锚点的)都将检测问题看作是一个边界盒(BBox)回归问题。然而，这种简洁的表示不足以探索对象的所有信息。为了解决这一问题，我们提出了一个简单而实用的检测框架来联合预测三维BBox和实例分割。例如，我们提出了空间嵌入(SEs)策略，将所有前景点聚集到它们对应的对象中心。在SE结果的基础上，可以基于一个简单的聚类策略生成对象建议。对于每个集群，只生成一个建议。因此，这里不再需要非极大抑制(NMS)过程。最后，通过我们提出的感知实例的ROI池，BBox通过第二阶段的网络进行细化。在公共KITTI数据集上的实验结果表明，与其他基于特征嵌入的方法相比，本文提出的SEs方法能够显著改善实例分割结果。同时，它也优于KITTI测试基准上的大多数3D物体检测器

其它 | 难样本 | 少样本 | 显著目标检测（3） |  高效率 | 域适应

MnasFPN : Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices

尽管在资源受限的环境中，视觉任务的架构搜索取得了巨大的成功，但设备上的目标检测架构的设计大多是手工的。少数的自动搜索工作要么集中在对移动设备不友好的搜索空间，要么不受设备延迟的引导。我们提出了MnasFPN，一个移动友好的检测头搜索空间，并将其与延迟感知架构搜索相结合，生成高效的目标检测模型。当学习MnasFPN头与MobileNetV2体配对时，在像素上以相似的延迟比MobileNetV3+SSDLite性能高出1.8 mAP。它比nasa - fpnlite更精确，速度也快10%。消融研究表明，大部分性能提升来自搜索领域的创新。进一步的研究揭示了搜索空间设计和搜索算法之间的有趣耦合，这使得MnasFPN搜索空间的复杂性是适当的

Camouflflaged Object Detection | code

我们对伪装目标检测(COD)这一新任务进行了全面的研究，其目的是识别无缝嵌入在周围环境中的目标。由于目标目标与背景的高度内在相似性，使得COD比传统的目标检测任务更具挑战性。为了解决这个问题，我们精心收集了一个新的数据集，称为COD10K，其中包含10000张图像，覆盖了各种自然场景中的伪装对象，超过78个对象类别。所有图像都被密集地注释为类别、绑定框、对象/实例级和mattinglevel标签。这个数据集可以作为许多视觉任务的催化剂，如定位、分割和阿尔法抠图等。此外，我们还开发了一个简单而有效的搜索识别网络(Search Identifi- cation Network, SINet)框架。没有任何花哨的东西，SINet在所有测试数据集上优于各种最先进的目标检测基线，使它成为一个健壮的，通用的框架，可以帮助促进未来的COD研究。最后，我们进行了大规模的COD研究，评估了13个前沿模型，提供了一些有趣的发现，并展示了一些潜在的应用。我们的研究为社区提供了在这个新领域进行更多探索的机会

Taking a Deeper Look at Co-Salient Object Detection | homePage

协同显著目标检测(Co-salient object detection, CoSOD)是显著目标检测(SOD)的一个新兴分支，旨在检测出多幅图像中同时存在的显著目标。然而，现有的CoSOD数据集往往存在严重的数据偏差，它假设每组图像包含具有相似视觉外观的显著目标。这种偏差导致了理想的设置，而在现有数据集上训练的模型的有效性，在现实生活中可能会受到损害，其中的相似性通常是语义上或概念上的。为了解决这个问题，我们首先收集一个新的高质量数据集，名为CoSOD3k，其中包含3,316个图像，这些图像分为160组，具有多个级别注释，即类别、边界框、对象和实例级别。CoSOD3k在多样性、难度和可扩展性方面有了显著的飞跃，有利于相关的视觉任务。此外，我们全面总结了34种前沿算法，其中19种算法在现有的4个CoSOD数据集(MSRC、iCoSeg、Image Pair和CoSal2015)和我们的CoSOD3k上进行了基准测试，共61K图像(最大规模)，并报告了组级性能分析。最后，讨论了CoSOD面临的挑战和未来的工作。我们的研究将有力地推动CoSOD社区的发展。基准工具箱和结果可在我们的项目页面上获得

Cross-Domain Document Object Detection: Benchmark Suite and Method | code

文档对象检测(DOD)是将文档页面图像分解为高级语义区域(如图、表、段落)的基础，是实现智能文档编辑和理解等后续任务的基础。DOD仍然是一个具有挑战性的问题，因为文档对象在布局、大小、长宽比、纹理等方面存在显著差异。在实践中出现了另一个挑战，因为大型标记训练数据集只对与目标领域不同的领域可用。我们研究跨域DOD，其中的目标是学习使用来自源域的标记数据和只来自目标域的未标记数据的目标域检测器。来自这两个领域的文档在布局、语言和体裁上可能有很大的不同。我们建立了一个由不同类型PDF文档数据集组成的基准套件，可用于跨领域国防部模型训练和评估。对于每个数据集，我们提供页面图像、边框注释、PDF文件和从PDF文件中提取的呈现层。在此基础上，提出了一种新的跨域DOD模型，该模型结合了特征金字塔对齐(FPA)、区域对齐(RA)和渲染层对齐(RLA)三个新颖的对齐模块，解决了域偏移问题。在基准测试套件上的大量实验证实了这三个模块的有效性，并且提出的方法显著优于基准方法。

Overcoming Classififier Imbalance for Long-tail Object Detection with Balanced Group Softmax | code

利用基于深度学习的模型解决长尾大词汇量对象检测是一项具有挑战性和高要求的任务，但目前研究还不足。在本研究中，我们首次系统地分析了最先进的模型在长尾分布前的不足之处。我们发现，现有的检测方法在数据集严重倾斜时无法对少数镜头类进行建模，这将导致分类器在参数量级上不平衡。将长尾分类模型直接应用于检测框架并不能解决这一问题，因为检测与分类之间存在着内在的差异。在这项工作中，我们提出了一种新的平衡组softmax (BAGS)模块，通过分组训练来平衡检测框架内的分类器。它隐式地调制头类和尾类的训练过程，并确保它们都得到了充分的训练，而不需要对尾类的实例进行任何额外的采样。在最近的长尾大词汇量目标识别基准LVIS上的大量实验表明，我们提出的袋子在目标检测和实例分割方面显著提高了带有各种骨架和框架的检测器的性能。它打破了从长尾图像分类转移而来的所有最先进的方法，建立了新的最先进的方法

Learning from Noisy Anchors for One-stage Object Detection

最先进的目标探测器依赖于回归和分类一个广泛的可能锚点列表，这些锚点根据它们与相应的groundtruth对象的交叉-过联合(IoU)分为正样本和负样本。如此苛刻的IoU分割条件导致二进制标签，这是潜在的噪声和训练的挑战。在本文中，我们提出减少不完全标签分配所引起的噪声，使锚的贡献是由与每个锚相关联的精心构造的清洁度分数动态确定。通过探索回归和分类分支的输出结果，在不产生任何额外计算开销的情况下估计的清洁度分数不仅被用作软标签来监督分类分支的培训，而且还被用于样本重加权因子以改进本地化和分类精度。我们对COCO进行了广泛的实验，并证明，除了其他事情，提出的方法稳步提高视网膜2%与各种骨干

Multi-scale Interactive Network for Salient Object Detection | code

基于深度学习的显著目标检测方法取得了很大进展。然而，显著物体的可变尺度和未知类别一直是一个巨大的挑战。这与多级、多尺度特征的利用密切相关。在本文中，我们提出聚合交互模块来整合相邻层的特征，由于只使用小的上/下采样率，引入较少的噪声。为了从集成的特征中获得更有效的多尺度特征，在每个解码器单元中嵌入了自交互模块。此外，尺度变化引起的类不平衡问题削弱了二元交叉熵损失的影响，导致预测的空间不一致。因此，我们利用一致性增强损失来突出前后背景差异，保持类内一致性。在5个基准数据集上的实验结果表明，该方法在不进行任何后处理的情况下，优于23种现有方法

Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels

在深度学习时代，使用更多的数据进行训练一直是最稳定、最有效的提高性能的方式。开放图像作为目前为止最大的目标检测数据集，给一般和复杂场景下的目标检测带来了巨大的机遇和挑战。然而，由于开放图像数据集的半自动采集和标注管道能够处理庞大的数据规模，存在着对象可能显式或隐式拥有多个标签，标签分布极不均衡的标签相关问题。在本文中，我们对这些标签问题进行了定量分析，并提供了一个简单而有效的解决方案。针对目标检测中的多标签问题，设计了一种并行的softmax算法，并提出了一种混合训练调度的软采样方法来处理标签不平衡问题。总体而言，我们的方法显著提高了3.34个点，在开放图像的公共目标检测测试集上获得了最好的单个模型(mAP为60.90)。我们的集合结果达到67.17 mAP，比Open Images public test 2018的最佳结果高出4.29分

Incremental Few-Shot Object Detection

现有的目标检测方法大多依赖于每个类有大量标记训练样本的可用性，以及批量离线模型训练。这些要求极大地限制了它们的可伸缩性，使之只能适应具有有限标记训练数据的新类。我们提出了一项研究，旨在通过考虑增量少镜头检测(iFSD)问题设置来超越这些限制，在这个问题设置中，新类必须增量地注册(无需重新访问基类)，并且只有少量示例。为此，我们提出了开放中心网(ONCE)，一个检测器，设计用于增量学习，以检测新的类对象的例子很少。这是通过将CentreNet检测器优雅地适应较少镜头的学习场景，并将元学习用于注册新类的特定于类的代码生成器模型来实现的。一旦充分尊重增量学习范式，新的类注册只需要一个单一的向前通过少量射击训练样本，没有访问基类，因此适合部署在嵌入式设备上。在标准物体检测和时尚地标检测任务上进行的大量实验首次显示了iFSD的可行性，开辟了一条有趣而又非常重要的研究方向

Noise-Aware Fully Webly Supervised Object Detection | code

我们研究了在web上使用唯一的图像级别标签学习对象检测器的新兴任务，而不需要任何其他监督，比如精确的注释或来自良好注释的基准数据集的附加图像。这样的任务被称为全网络监督的目标检测，由于web上的图像级标签总是有噪声，导致学习的检测器性能较差，因此具有极大的挑战性。在本文中，我们提出了一个端到端框架来共同学习网络监督检测器，减少噪声标签的负面影响。这类噪声具有不均匀性，又分为背景噪声和前景噪声两类。针对背景噪声问题，提出了一种融合弱监督检测的残差学习结构，对背景噪声进行分解，建立干净数据模型。为了明确地学习干净数据与噪声标签之间的剩余特征，我们进一步提出了一种空间敏感的熵准则，利用检测结果的条件分布来估计背景类别为噪声的置信度。针对前景噪声，提出了一种压缩混合学习方法，在保持训练数据多样性的同时，抑制错误标记图像中的前景噪声信号。我们在热门的基准数据集上通过训练web图像的检测器来评估所提出的方法，这些web图像由来自照片共享网站的相应类别标签检索。大量的实验表明，我们的方法取得了显著的改进，比现有的最先进的方法

EffificientDet: Scalable and Effificient Object Detection | code

模型效率在计算机视觉中变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络体系结构的设计选择，并提出了几个关键的优化方法来提高效率。首先，我们提出了一种加权双向特征金字塔网络(BiFPN)，该网络可实现简单、快速的多尺度特征融合;其次，我们提出了一种复合尺度方法，对所有主干网络、特征网络和盒/类预测网络同时进行分辨率、深度和宽度的统一尺度。基于这些优化和EfficientNet骨架，我们开发了一个新的目标检测器家族，称为EfficientDet，它在广泛的资源限制范围内始终实现比现有技术更好的效率。特别是，在单型号和单尺度下，我们的EfficientDetD7在COCO test-dev上达到了最先进的52.2 AP, 52M参数和325B FLOPs1，比以前的探测器小4倍9倍，触发器减少了13倍42倍

Mixture Dense Regression for Object Detection and Human Pose Estimation

混合模型是一种公认的学习方法，在计算机视觉中，它大多被应用于逆问题或定义不清的问题。然而，它们是通用的分而治之技术，以数据驱动的方式将输入空间划分为相对同质的子集。不仅定义模糊的问题，而且定义良好的复杂问题都应从中受益。为此，我们设计了一个使用混合密度网络的空间回归框架。实现了目标检测和人体姿态估计的框架。对于这两种任务，混合模型都能产生更高的精度，并将输入空间划分为可解释的模式。在目标检测中，混合分量主要关注目标尺度，分量的分布与地面真值的分布密切相关。这实际上减少了对多尺度测试的需求，提供了一个卓越的速度和准确性的权衡。在人体姿态估计方面，混合模型根据视点和不确定性对数据进行划分，即前视图和后视图，后视图具有较高的不确定性。我们在MS COCO数据集上进行实验，没有遇到任何模式崩溃

Label Decoupling Framework for Salient Object Detection | code

为了获得更精确的显著性图，目前的方法主要集中于从全卷积网络(fully convolutional network, FCN)中提取多层特征并引入边缘信息作为辅助监督。虽然已经取得了显著的进展，但我们观察到，像素离边缘越近，预测就越困难，因为边缘像素的分布非常不平衡。为了解决这个问题，我们提出了一个标签解耦框架(LDF)，它包括一个标签解耦过程(LD)和一个特征交互网络(FIN)。LD将原始的显著性映射显式地分解为body map和detail map，其中body map集中于物体的中心区域，detail map集中于边缘周围区域。细节地图工作得更好，因为它比传统的边缘管理涉及更多的像素。与显著性图不同的是，体图忽略了边缘像素，只关注中心区域。这成功地避免了训练过程中边缘像素的干扰。因此，我们在FIN中采用两个分支分别处理body map和detail map。特征交互(Feature interaction, FI)的目的是融合两个互补分支来预测显著性映射，然后利用显著性映射对两个分支进行细化。这种迭代细化有助于学习更好的表示和更精确的显著性映射。在6个基准数据集上的综合实验表明，在不同的评价指标上，LDF的性能优于现有的评价方法

Exploring Categorical Regularization for Domain Adaptive Object Detection | code

在本文中，我们处理领域自适应目标检测问题，其中主要的挑战在于源领域和目标领域之间的显著领域间隙。以前的工作试图简单地对齐图像级和实例级的转移，以最终最小化域差异。然而，它们仍然忽略了跨域匹配关键图像区域和重要实例，这将严重影响域偏移缓解。在这项工作中，我们提出了一个简单但有效的分类规则框架来缓解这一问题。它可以作为一种即插即用的组件应用于一系列领域自适应快速R-CNN方法，这些方法在处理领域自适应检测方面非常突出。具体来说，通过在检测主干上集成一个图像级多标签分类器，由于分类方式的定位能力较弱，我们可以得到与类别信息对应的稀疏但关键的图像区域。同时，在实例级，我们利用图像级预测(由分类器)和实例级预测(由检测头)之间的分类一致性作为正则化因子，自动搜索目标域的硬对齐实例。在不同的领域漂移场景下的大量实验表明，我们的方法比原来的领域自适应更快的R-CNN检测器有显著的性能增益。此外，定性可视化和分析可以证明我们的方法在针对领域适应的关键区域/实例上的能力

Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation

近年来，基于深度学习的目标检测取得了很大的进展。然而，由于域移位问题，将现成的检测器应用到看不见的域会导致显著的性能下降。针对这一问题，本文提出了一种基于粗到细特征自适应的跨域目标检测方法。在粗粒度阶段，不同于文献中使用的粗糙图像级或实例级特征对齐，采用注意机制提取前景区域，并在共同特征空间中通过多层对抗学习，根据其边缘分布进行对齐。在细粒度阶段，通过最小化同一类别不同领域全局原型之间的距离，对前景进行条件分布比对;由于这种从粗到细的特征自适应，前景区域的领域知识可以有效地传递。在各种跨域检测场景中进行了大量的实验。结果是最先进的，证明了广泛的适用性和有效性，提出的方法