概述
这篇文章收录于ECCV2020，作者团队是香港中文大学、腾讯优图、思谋科技等。整体文章思路通过深入了解box来优化anchor-free目标检测的性能，整体分为box分解和重组（D&R）模块和语义一致性模块，首先进行边界框的重组选择更准确的边界框，之后选择一致性强的像素来更精确地拟合目标范围，从而提高目标检测性能。思路还是不错，只是效果一般般。
论文地址：https://arxiv.org/abs/2007.14350.pdf
Anchor-free目标检测方法中精确的边界框估计是这些方法成功的关键。但是，即使边界框具有最高的置信度得分，在定位环节仍然有一些瑕疵。为此，本文提出了一种box reorganization方法（DDBNet），该方法可以深入到box中以进行更准确的定位。具体来说，第一步将漂移的框（drifted box）过滤掉，因为这些框中的内容与目标语义不一致。接下来，将选定的框划分为边界（boundaries），并搜索排列整齐的边界，将其分组为更精确的框，从而更精确地拟合目标实例范围。实验结果表明，
最后
以上就是无聊烧鹅为你收集整理的ECCV2020 | DDBNet：目标检测中的Box优化的全部内容，希望文章能够帮你解决ECCV2020 | DDBNet：目标检测中的Box优化所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复