第四范式两次刷新PASCAL VOC物体检测世界纪录

2019-09-18 投稿人 : www.chacha360.com 围观 : 976 次

最近,在国际顶级活动PASCAL VOC 2012挑战一般物体检测竞赛4任务中,第四范式分别采用多模型融合和单一模型,并在两天内刷新任务检测得分两次,占总数的前两位排行。在该项目的20个子目标检测任务中,第四个范例在其中12个中取得了最好的成绩。

这两种竞争方案中使用的第四种范式,排名第一的方案引入了多层次深度迁移学习技术多模型融合方案,以提高识别准确性和鲁棒性;排名第二的自适应候选框提取方法的单模型解决方案具有高效,快速,更适合实际部署和应用的优点。

第四种范式基于不同的方案占据了竞争的前两位

PASCAL VOC Challenge以其高质量,复杂的场景,多样化的目标和难以测试而闻名。它可以快速测试算法的有效性,并吸引国内外的AI公司,大学和研究机构展开激烈的竞争。目前,PASCAL VOC数据集包括20个类别,包括人,动物,车辆和室内物体。在PASCAL VOC的众多活动中,由于数据量最大以及现实场景的复杂性和复杂性,2012年挑战赛是衡量技术实力的基准。

检测和定位结果

多尺度测试策略是为了增进理解,并不是严格按照竞争对手绘制的。

在图像检测中,由于图像中对象的大小变化很大,参与者通常采用多尺度测试,即检测具有放大图像的小物体和具有缩小图像的大物体。虽然多尺度检测方法对提高精度非常有效,但它存在计算资源和反馈延迟大等缺点,严重影响了实际应用效果。

基于第四范式AutoCV的简单易用原则,第四范式设计了一种“自适应候选盒提取方法”,可以解决图像中不同对象之间大规模间隙的问题。只有单个比例的图像输入可以达到或超过多尺度效果,节省资源,并确保准实时对象。测试。

——