作者：CV君

本篇继续对目标检测相关论文进行整理，共计 14 篇。包含2D、 3D、雷达、小目标、带方向的、半监督目标检测、弱监督目标定位等。

如有遗漏，欢迎补充。

下载包含这些论文的 WACV 2021 所有论文：

『WACV 2021 开幕，更偏重技术应用，附论文下载』

3D目标检测

[1].Cross-Modality 3D Object Detection

跨模态3D目标检测。文中提出一个两阶多模态融合框架，结合最佳状态的双目图像对和点云来进行 3D 目标检测。另外，使用 stereo matching 伪激光雷达点作为一种数据增强方法，以使激光雷达点密集化。

作者 | Ming Zhu, Chao Ma, Pan Ji, Xiaokang Yang

单位 | 上海交通大学；NEC Laboratories America

论文 | https://arxiv.org/abs/2008.10436

[2].CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detection

旨在使用低成本的雷达（redar）替换自动驾驶中的激光雷达，并达到高精度3D目标检测的方法。已开源。

作者 | Ramin Nabati, Hairong Qi

单位 | 田纳西大学诺克斯维尔

论文 | https://arxiv.org/abs/2011.04841

代码 | https://github.com/mrnabati/CenterFusion

详解 | CenterFusion：融合雷达与摄像头数据的高精度3D目标检测

[3].Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection

提出 Detection Aware 3D Semantic Segmentation (DASS) 网络来解决当前架构的局限性。

DASS 可以在保持高精度鸟瞰（BEV）检测结果的同时，将几何相似类的 3D语义分割结果提高到图像 FOV 的 37.8% IoU。

作者 | Ozan Unal, Luc Van Gool, Dengxin Dai

单位 | 苏黎世联邦理工学院；鲁汶大学

论文 | https://arxiv.org/abs/2009.10569

半监督目标检测

[4].Proposal Learning for Semi-Supervised Object Detection

作者提出一种 proposal 学习方法，从标记和未标记的数据中学习proposal 特征和预测。该方法包括 ：

• 一种自监督的 proposal 学习模块，通过 proposal 位置损失和对比损失分别学习上下文感知和噪声粗糙的 proposal 特征
• 一个基于一致性的 proposal 学习模块，通过一致性损失学习噪声鲁棒proposal 特征和预测，用于边界盒分类和回归预测

在COCO数据集上，所提出方法比各种基于 Faster R-CNN 的完全监督基线和数据蒸馏分别高出约 2.0% 和 0.9%。

作者 | Peng Tang, Chetan Ramaiah, Yan Wang, Ran Xu, Caiming Xiong

单位 | Salesforce Research；约翰斯霍普金斯大学

论文 | https://arxiv.org/abs/2001.05086

小目标检测

[5].Effective Fusion Factor in FPN for Tiny Object Detection 作者 | Yuqi Gong, Xuehui Yu, Yao Ding, Xiaoke Peng, Jian Zhao, Zhenjun Han 单位 | 国科大；Institute of North Electronic Equipment

论文 | https://arxiv.org/abs/2011.02298

代码 | coming

[6].Oriented Object Detection in Aerial Images With Box Boundary-Aware Vectors

提出一个简单有效的策略：BBAVectors 来描述带方向的目标。BBAVectors 是在同一笛卡尔坐标系中对所有任意方向的目标进行测量。与之前的学习目标的宽度、高度和角度的基线方法相比，BBAVectors的性能更好。

将基于中心关键点的目标检测器扩展到定向目标检测任务中。该模型的特点：单阶段、anchor box free、快速和准确。在 DOTA 和 HRSC2016 数据集上实现了最先进的性能。

作者 | Jingru Yi, Pengxiang Wu, Bo Liu, Qiaoying Huang, Hui Qu, Dimitris Metaxas

单位 | 罗格斯大学

论文 | https://arxiv.org/abs/2008.07043

代码 | https://github.com/yijingru/BBAVectors-Oriented

-Object-Detection

[7].Generalized Object Detection on Fisheye Cameras for Autonomous Driving: Dataset, Representations and Baseline

鱼眼相机覆盖视野广阔，作者系统全面研究了自动驾驶场景鱼眼相机目标检测，作者提出了新的表示方法，数据集和基线算法，相比于之前的工作，获得了显著的改进。

作者 | Hazem Rashed, Eslam Mohamed, Ganesh Sistu, Varun Ravi Kumar, Ciaran Eising, Ahmad El-Sallab, Senthil Yogamani

单位 | Valeo R&D等

论文 | https://arxiv.org/abs/2012.02124

视频 | https://v.qq.com/x/page/s3220999xxy.html

雷达目标检测

[8].RODNet: Radar Object Detection Using Cross-Modal Supervision

提出一种全新的雷达目标检测网络：RODNet，无需摄像头或激光雷达情况下，用在各种驾驶场景下进行鲁棒的目标检测。一个摄像机-雷达融合(CRF)跨模态监管框架，用于训练 RODNet，无需繁琐且可能不一致的人为标注。

作者还收集了一个新的数据集：CRUW，包含相机和雷达的同步数据，对相机-雷达跨模式研究很有价值。以及一种新的雷达目标检测任务的评价方法，并对其有效性进行了论证。

作者 | Yizhou Wang, Zhongyu Jiang, Xiangyu Gao, Jenq-Neng Hwang, Guanbin Xing, Hui Liu

单位 | 华盛顿大学；Silkwave Holdings Limited

论文 | https://openaccess.thecvf.com/content/WACV2021/papers/Wang_RODNet_Radar_Object_Detection_Using_Cross-Modal_Supervision_WACV_2021_paper.pdf

代码 | https://github.com/yizhou-wang/RODNet

数据集 | https://www.cruwdataset.org/

无监督目标定位

Improve CAM With Auto-Adapted Segmentation and Co-Supervised Augmentation

WSOL 弱监督目标定位是一种仅使用图像级标签，而不包含位置注释的目标定位方法。本次工作，主要针对 WSOL 任务，作者提出 CSoA。由两个模块组成，对传统的卷积网络进行改进，在不牺牲识别能力的前提下提高其定位性能。在学习过程中，ConfSeg 模块鼓励网络内部的两个分类器生成更精确和完整的CAM。此外，CoAug 模块基于度量方法对不同样本的 CAM 进行批量调节。

最终模型在两个公共基准上优于所有之前的方法，成为新的最先进技术，为解决 WSOL 问题提供了新的见解。

作者 | Ziyi Kou, Guofeng Cui, Shaojie Wang, Wentian Zhao, Chenliang Xu

单位 | 圣母大学；罗格斯大学；圣路易斯华盛顿大学；Adobe；罗切斯特大学

论文 | https://arxiv.org/abs/1911.07160

目标检测

[9].CPM R-CNN: Calibrating Point-Guided Misalignment in Object Detection

该文指出 Point-Guided 网络中检测精度的瓶颈原因在于两种错位问题，并提出解决方案：CPM R-CNN。提出 cascade mapping 以便获得更完整的box分布，并证明了它的有效性。所设计的简单有效的融合评分结构与原来的相比有很大改进。

与 Faster R-CNN 和基于 ResNet-101 与 FPN 的 Grid R-CNN 相比，所提出方法在 without whistles and bells 情况下分别大幅提高 3.3% 和 1.5% mAP。此外，最佳模型在 COCO 测试设备上的改进幅度较大，达到 49.9%。

作者 | Bin Zhu, Qing Song, Lu Yang, Zhihui Wang, Chun Liu, Mengjie Hu

单位 | 北京邮电大学

论文 | https://arxiv.org/abs/2003.03570

代码 | https://github.com/zhubinQAQ/CPM-R-CNN

[10].Towards Resolving the Challenge of Long-tail Distribution in UAV Images for Object Detection

目前无人机图像目标检测存在的问题是无人机图像类别分布分布，就此问题，作者提出 Dual Sampler and Head detection Network (DSHNet)，是首个旨在解决无人机图像中长尾分布的工作。DSHNet 的关键组成是 Class-Biased Samplers (CBS) 和 Bilateral Box Heads (BBH)，是为应对尾部类和头部类的双路径方式而开发。

DSHNet显著提升了尾类在不同检测框架上的性能。并在 VisDrone 和UAVDT 数据集上，性能明显优于基础检测器和通用方法。当与图像裁剪方法等数据增广方法相结合时，它实现了新 SOTA。

作者 | Weiping Yu, Taojiannan Yang, Chen Chen

单位 | 北卡罗来纳大学夏洛特分校

论文 | https://arxiv.org/abs/2011.03822

代码 | https://github.com/we1pingyu/DSHNet

[11].SliceNets -- A Scalable Approach for Object Detection in 3D CT Scans

SliceNets：用于 3D CT扫描中目标检测的可扩展方法

作者 | Anqi Yang, Feng Pan, Vishwanath Saragadam, Duy Dao, Zhuo Hui, Jen-Hao Rick Chang, Aswin C. Sankaranarayanan

单位 | 卡内基梅隆大学；IDSS Corporation

论文 |

https://openaccess.thecvf.com/content/WACV2021/papers/Yang_SliceNets_--_A_Scalable_Approach_for_Object_Detection_in_3D_WACV_2021_paper.pdf

[12].Class-Agnostic Object Detection

在很多问题中，目标的存在位置信息比类别信息更重要，于是该文作者提出一种新型 class-agnostic（可不知类别的） 目标检测问题表述，作为新的研究方向。制订训练和评估协议，以确定基准和推进研究；设计一个新的对抗式学习框架，用于类诊断检测，强制模型从用于预测的特征中排除 class-specific 信息。实验结果表明，对抗式学习提高了 class-agnostic 识别的检测效率。

作者 | Ayush Jaiswal, Yue Wu, Pradeep Natarajan, Premkumar Natarajan

单位 | Amazon Alexa

论文 | https://arxiv.org/abs/2011.14204

[13].Data-Free Knowledge Distillation for Object Detection

用于目标检测的无数据知识蒸馏技术，由两部分组成：DIODE，通过模型逆映射从预训练检测模型中合成图像的框架；一个无数据模仿学习方法，对从老师对学生合成的图像进行知识蒸馏，用于目标检测。

实验验证了合成图像的质量和通用性，检测效率与域外数据集(0.313 mAP)相比，有显著的改进(0.450 mAP)，并且与同域数据集(0.466 mAP)具有竞争力。

作者 | Akshay Chawla, Hongxu Yin, Pavlo Molchanov, Jose Alvarez

单位 | 英伟达

论文 |

https://openaccess.thecvf.com/content/WACV2021/papers/Chawla_Data-Free_Knowledge_Distillation_for_Object_Detection_WACV_2021_paper.pdf

编辑：CV君

转载请联系本公众号授权