综述二标题:A Survey of Deep Learning-based Object Detection文章链接:https://arxiv.org/pdf/1907.09408.pdf文章介绍:Abstract:本文首先分析了现有的典型检测模型的方法,并对基准数据集进行了描述。随后,我们系统地全面概述了各种目标检测方法,包括一级和二级检测器。此外,我们列出了传统的和新的应用。分析了目标检测的一些代表性分支。最后,我们讨论了利用这些目标检测方法来构建一个有效和高效的系统的体系结构,并指出了一套发展趋势,以更好地跟随最新的算法和进一步的研究。1. 介绍:(1)本文列出了最近提出的非常新颖的解决方案,但忽略了基本的讨论,以便读者更容易看到该领域的前沿。(2)此外,与以往的目标检测研究不同的是,本文系统、全面地回顾了基于深度学习的目标检测方法,最重要的是最新的检测解决方案和一套重要的研究趋势。(3)本次调查的特点是对各个方面进行了深入的分析和讨论,其中许多方面据我们所知是该领域的第一次。2. 典型基线
综述三标题:Recent Advances in Deep Learning for Object Detection文章链接:https://arxiv.org/pdf/1908.03673.pdf文章介绍:Abstract:本文对深度学习在视觉目标检测方面的最新进展进行了全面的综述。通过回顾大量最近的相关文献,我们系统地分析了现有的目标检测框架,并将调查分为三个主要部分:(i)检测组件,(ii)学习策略,(iii)应用和基准。1. 介绍:
综述四标题:Imbalance Problems in Object Detection: A Review文章链接:https://arxiv.org/pdf/1909.00169.pdf文章介绍:Abstract:在本文中,我们提出了一个全面的综述不平衡问题的目标检测。为了系统地分析这些问题,我们引入了两个分类体系;一个用于解决问题,另一个用于提出解决方案。按照问题的分类,我们深入地讨论每个问题,并提出一个统一的但批判性的观点在文献中的解决方案。此外,我们确定了关于现存的不平衡问题的主要未决问题以及以前没有讨论过的不平衡问题。介绍:在本文中,我们回顾了深度学习时代的目标检测文献,并识别出8种不同的不平衡问题。我们将这些问题划分为四种主要类型:类失衡、尺度失衡、目标失衡和限制框失衡
05
综述五标题:Deep Domain Adaptive Object Detection: a Survey(深度域适应目标检测)作者:Wanyi Li, Peng Wang单位:中国科学院自动化研究所链接:https://arxiv.org/abs/2002.06797本文共梳理了46篇相关文献,由中科院自动化所学者发布。基于深度学习(DL)的目标检测已经取得了很大的进展,这些方法通常假设有大量的带标签的训练数据可用,并且训练和测试数据从相同的分布中提取。然而,这两个假设在实践中并不总是成立的。深域自适应目标检测(DDAOD)作为一种新的学习范式应运而生。本文综述了深域自适应目标检测方法的研究进展。
06
综述六标题:Foreground-Background Imbalance Problem in Deep Object Detectors: A Review(深度目标检测器中前景-背景不平衡问题综述)作者:Joya Chen, Tong Xu单位:中国科学技术大学链接:https://arxiv.org/abs/2006.09238