目标检测集 | ECCV 2020 论文大盘点(附论文&代码下载)
————————计算机视觉研究院专栏————————
微信公众号 : 计算机视觉研究院
知乎专栏：计算机视觉战队
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”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。
弱监督目标检测
论文地址 | https://arxiv.org/abs/2008.09694
该文提出online annotation module(OAM)，它学习从更大体积的弱标记图像中生成一组多镜头的注释。OAM可以与任何全监督的两阶段目标检测方法联合训练，提供额外的训练注释。这导致了一个全端到端的策略，只需要一组low-shot的全注释图像。
Enabling Deep Residual Networks for Weakly Supervised Object Detection
作者 | Yunhang Shen, Rongrong Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu
单位 | 厦门大学；Pinterest；南科大；腾讯优图（上海）
论文地址 | https://arxiv.org/abs/2008.09694
GitHub | https://github.com/shenyunhang/DRN-WSOD
Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer
作者 | Yuanyi Zhong, Jianfeng Wang, Jian Peng, Lei Zhang
单位 | 伊利诺伊大学厄巴纳-香槟分校；微软
论文地址 |
https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710613.pdf
GitHub | https://github.com/mikuhatsune/wsod_transfer
提出了一个有效的知识迁移框架，以提高弱监督目标检测的准确性，借助外部全注释源数据集，其类别可能不与目标域重叠。由于存在许多现成的检测数据集，这种设置具有很大的实用价值。为了更有效地利用源数据集，作者提出通过一类通用检测器迭代地从源域迁移知识，并学习目标域检测器。目标域检测器在每次迭代中挖掘的box-level pseudo有效地改进了一类通用检测器。因此，源数据集中的知识得到了更彻底的开发和利用。
Cheaper Pre-training Lunch: An Efficient Paradigm for Object Detection
作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang
单位 | 悉尼大学，商汤CV研究小组；中科院&国科大；商汤
论文地址 | https://arxiv.org/pdf/2004.12178.pdf
GitHub | 暂无
提出了一种通用而有效的训练前范式，Montage预训练用于目标检测。Montage预训练只需要目标检测数据集，而与广泛采用的ImageNet相比，该http URL构建了这样一个高效的范式，通过仔细地从原始图像中提取有用的样本，以Montage的方式组装样本作为输入，以及使用ERF自适应密集分类策略进行模型预训练来减少潜在的冗余。这些设计不仅包括一种新的输入模式来提高空间利用率，而且还包括一种新的学习目标，以扩大预先训练模型的有效接受领域。
Process of our Dense Classification Strategy
目标检测定位提精
Side-Aware Boundary Localization for More Precise Object Detection
作者 | Jiaqi Wang, Wenwei Zhang, Yuhang Cao, Kai Chen, Jiangmiao Pang, Tao Gong, Jianping Shi, Chen Change Loy, Dahua Lin
单位 | 香港中文大学；南洋理工大学；商汤；浙大；国科大
论文地址 | https://arxiv.org/pdf/2004.12178.pdf
GitHub | https://github.com/open-mmlab/mmdetection
本文提出Side-Aware Boundary Localization(SABL)以取代传统的bbox回归。提取关注于边界内容的边缘感知特征用来定位。提出使用该特征的轻量级two-step bucketing方法以精确定位目标。同时引入重打分(rescore)机制，利用bucket的置信度来保留高质量的bbox。在各种目标检测流程中，SABL均展现了一致且重大的性能提升。本文通过对回归方法的分析，观察到更简单精确回归到边界框的方法，设计的整体框架很精巧，思路很清晰，而且每个方法的提出都很明确，值得一观。
带方向目标的检测
PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments
作者 | Zhiming Chen, Kean Chen, Weiyao Lin, John See, Hui Yu, Yan Ke, Cong Yang
单位 | 扩博智能Clobotics；上海交通大学；多媒体大学
论文地址 | https://arxiv.org/abs/2007.09584
GitHub | https://github.com/clobotics/piou
使用定向边界框(OBB)的目标检测可以通过减少与背景区域的重叠来更好地针对旋转的目标。现有的OBB方法主要是建立在水平边界框检测器上，通过引入一个额外的角度尺寸来优化距离损失。然而，由于距离损失只最小化了OBB的角度误差，并且它与IoU松散相关，所以它对高宽比的物体不敏感。因此，提出了一种新的损失Pixels-IoU(PioU)损失，利用角度和IoU进行精确的OBB回归。PIoU Loss是由IoU度量导出的，具有像素级形式，简单，适用于水平和定向边界框。实验结果表明，PIoU Loss可以显著提高OBB检测器的性能，特别是在高宽比和复杂背景的物体上。
Arbitrary-Oriented Object Detection with Circular Smooth Label
作者 | Xue Yang, Junchi Yan
单位 | 上海交通大学
论文地址 | https://arxiv.org/abs/2003.05597
GitHub | https://github.com/Thinklab-SJTU/CSL_RetinaNet_Tensorflow
亮点：1）将角度预测这个回归问题视为分类问题，同时结合了回归任务，提高了检测的性能。2）提出CSL来解决边界不连续的问题。
概要：
观察到基于回归的旋转检测器存在边界不连续的问题，设计了将回归任务的角度预测转变为分类任务；
提出了一种圆形平滑标签技术（CSL） 来处理角度的周期性问题，增加了对相邻角度的误差范围；
介绍了CSL中的四个窗口函数，并讨论不同窗口半径对检测性能的影响。
注：Anchor-free 目标检测、点云目标检测和少样本目标检等内容下期我们继续给大家分享！
／End.