目标检测论文、代码、数据集汇总

Introduction

这里会不定期更新新颖的目标检测方法。

2022

SLICING AIDED HYPER INFERENCE AND FINE-TUNING FOR SMALL OBJECT DETECTION

code: https://paperswithcode.com/paper/slicing-aided-hyper-inference-and-fine-tuning

摘要： 检测小物体和现场较远处的物体是监视应用中的一个主要挑战。这些物体由图像中少量的像素表示，缺乏足够的细节，使得传统的探测器难以检测。在这项工作中，提出了一个名为切片辅助超推理（SAHI）的开源框架，该框架为小对象检测提供了一个通用的切片辅助推理和微调管道。所提出的技术是通用的，因为它可以应用在任何可用的对象检测器之上，而不需要进行任何微调。利用Visdrone和xView空中目标检测数据集上的目标检测基线的实验评估表明，该推理方法可将FCOS、VFNet和TOOD探测器的目标检测AP分别提高6.8%、5.1%和5.3%。此外，通过切片辅助微调可以进一步提高检测精度，从而按相同的顺序累计增加了12.7%、13.4%和14.5%的AP。

YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

code: https:// github.com/WongKinYiu/yolov7
摘要： YOLOv7在5 FPS到160 FPS的速度和精度上都超过了所有已知的目标探测器，在GPU V100的实时目标探测器中具有最高的56.8% AP。YOLOv7-E6目标探测器（56 FPS V100,55.9%美联社）优于变压器探测器SWINL级联面具R-CNN（9.2FPS100,53.9%美联社）速度为509%和2%，和基于卷积探测器ConvNeXt-XL级联面具R-CNN（8.6FPS100,55.2%美联社）速度551%和0.7%的精度，以及YOLOv7超越： YOLOR，YOLOX，规模，YOLOv4，数据，DINO-5比例R50，视频适配器b和许多其他对象探测器的速度和准确性。此外，我们只在MS COCO数据集上开始训练YOLOv7，而没有使用任何其他数据集或预先训练的权重。