不知不觉2020年已经进入11月，ECCV2020也告一段落，今天“计算机视觉研究院”继续给大家分享目标检测领域优秀的算法及框架！主要包括：弱监督目标检测、目标检测定位提精、带方向目标的检测、Anchor-free 目标检测、点云目标检测和少样本目标检测等。ECCV2020所有论文下载地址：https://www.ecva.net/index.php。

上一期我们已经分析了弱监督目标检测、目标检测定位提精和带方向目标的检测内容，今天我们继续分析anchor-free 目标检测、点云目标检测和少样本目标检测框架！

Anchor-free 目标检测

Corner Proposal Network for Anchor-free, Two-stage Object Detection

作者 | Kaiwen Duan, Lingxi Xie, Honggang Qi, Song Bai, Qingming Huang, Qi Tian

单位 | 国科大；华为；华中科技大学；鹏城实验室

论文地址 | https://arxiv.org/abs/2007.13816

GitHub | https://github.com/Duankaiwen/CPNDet

目标检测的目标是确定图像中目标的类别和位置。本文提出了一种新的anchor free两阶段框架，它首先通过寻找潜在的角点组合来提取一些候选目标，然后通过一个独立的分类阶段为每个候选分配一个类标签。这两个阶段分别是提高召回和精度的有效解决方案，它们可以集成到端到端网络中。 框架称为Corner Proposal Network(CPN)，具有检测各种尺度目标的能力，也避免被大量假阳性候选所混淆。

CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection

作者 | Zhiwei Dong Guoxuan Li Yue Liao Fei Wang Pengju Ren Chen Qian

单位 | 商汤

论文地址 | https://arxiv.org/pdf/2003.09119.pdf

GitHub | https://github.com/KiveeDong/CentripetalNet

采用物体边界框的两个角点作为关键点，然而角点位置缺乏物体信息，现有方法使用角点池化的方法将物体边界信息聚合到角点位置，然而我们发现角点位置依然缺乏物体内部信息，而这些物体内部特征在角点位置形成了如下图的“十字星（cross-star）”，因此我们设计了十字星可变形卷积（cross-star deformableconvolution），成功地提取了这些物体内部信息，从而优化了角点位置的物体特征，提高了模型性能。

点云目标检测

SPOT: Selective Point Cloud Voting for Better Proposal in Point Cloud Object Detection

作者 | Hongyuan Du, Linjun Li, Bo Liu, and Nuno Vasconcelos

单位 | 加利福尼亚大学圣迭戈分校

论文 | https://arxiv.org/pdf/2004.12178.pdf

GitHub | 无

点云的稀疏性限制了深度学习模型捕捉long-range依赖关系，这使得模型提取的特征模棱两可。在点云对象检测中，模糊特征使得检测器很难定位对象中心(如图1)，最终导致检测结果不良。提出了Selective Point clOud voTing(SPOT)模块，这是一种简单的有效组件，可以在点云对象检测器中方便地进行端到端训练，以解决这一问题。在概率霍夫投****的启发下，SPOT结合了一种注意机制，帮助检测器聚焦于不那么模糊的特征，并保持它们到多个对象中心的映射的多样性。

Streaming Object Detection for 3-D Point Clouds

作者 | Wei Han, Zhengdong Zhang, Benjamin Caine, Brandon Yang, Christoph Sprunk, Ouais Alsharif, Jiquan Ngiam, Vijay Vasudevan, Jonathon Shlens, Zhifeng Chen

单位 | 谷歌等

论文 | https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123630409.pdf

GitHub | 无

Pillar-based Object Detection for Autonomous Driving

作者 | Yue Wang, Alireza Fathi, Abhijit Kundu, David Ross, Caroline Pantofaru, Thomas Funkhouser, Justin Solomon

单位 | 麻省理工学院；谷歌

论文 | https://arxiv.org/pdf/2004.12178.pdf

GitHub | 无

提出了一种针对自动驾驶进行了优化的简单灵活的3D目标检测框架。基于该应用中的点云非常稀疏的观察，我们提出了一种实用的基于Pillar的方法来解决由anchor引起的不平衡问题。

少样本目标检测

Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild

作者 | Yang Xiao, Renaud Marlet

单位 | Univ Gustave Eiffel；valeo.ai

论文地址 | https://arxiv.org/abs/2007.12107

GitHub | https://github.com/YoungXIAO13/FewShotDetection

在图像中检测物体并估计它们的视点是三维场景理解的关键任务。最近的方法在非常大的目标检测和视点估计基准上取得了很好的结果。然而，对于样本较少的新对象类别，性能仍然滞后。本文解决了目标检测和视点估计的问题。提出了一个元学习框架，可以应用于这两个任务，可能包括3D数据。我们的模型通过利用来自具有许多样本的基类的丰富特征信息来改进新类对象的结果。提出了一个简单的联合特征嵌入模块，以充分利用这种特征共享。

注：往期我们也分析了目标检测框架，有兴趣的同学请查阅，感谢对我们的支持!

／End.

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。