第四范式两次刷新PASCAL VOC物体检测世界纪录

  • 时间:
  • 浏览:0

  近日,在国际顶级赛事PASCAL VOC 2012 挑战赛通用物体检测 Competition 4 任务中,第四范式分别采用多模型融合与单模型两种 方案,五六天内两次刷新该任务检测成绩,指在总排名前两位。在该项目的 20 项细分物体检测任务中,第四范式在其中 12 项取得最好成绩。

  第四范式本次采用的两种 竞赛方案,其中排名第一位的方案引入多层次层厚迁移学习技术的多模型融合方案提升了识别精准度、鲁棒性;排名第二位的自适应候选框提取措施的单模型方案,具备高效、快速、更适合实际部署与应用等优势。

  第四范式基于不同方案指在该项目竞赛前两位

  PASCAL VOC 挑战赛以质量高、场景简化、目标多样、检测难度大著称,以快速检验算法有效性,吸引了国内外AI公司、高校、研究机构竞相展开激烈竞争。目前,PASCAL VOC数据集囊括人、动物、交通工具、室内物体等 20 个类别。在PASCAL VOC 众多赛事中,2012 挑战赛因数据量最大、覆盖真实场景多且简化,成为衡量技术实力的标尺。

  检测与定位结果

  multi-scale test策略,仅供加强理解,无须严格按照参赛状况绘制

  在图片检测中,如果图片中的物体往往尺寸大小差异极大,参赛者往往采用多个尺度(一般 4 到 6 个)的测试策略(multi-scale test),即用放大版图片检测小物体,用缩小版图片检测大物体。觉得多尺度的检测措施对于提升准确率非常有效,但该措施指在占用计算资源大、反馈延迟等不够,严重影响了实际的应用效果。

  第四范式基于第四范式AutoCV的简单、好用原则,设计了“自适应候选框提取措施”,可处理图片中不同物体尺度差距大的问题报告 ,只需单个尺度的图像输入就能达到甚至超太满尺度的效果,节省资源的一块儿,可保证准实时的物体检测。

本文由站长之家用户投稿,未经站长之家同意,严禁转载。如广大用户大家,发现稿件指在不实报道,欢迎读者反馈、纠正、举报问题报告 (反馈入口)。

免责声明:本文为用户投稿的文章,站长之家发布此文仅为传递信息,不代表站长之家赞同其观点,不对对内容真实性负责,仅供用户参考之用,不构成任何投资、使用建议。请读者自行核实真实性,以及如果指在的风险,任何后果均由读者自行承担。

声明:本文转载自第三方媒体,如需转载,请联系版权方授权转载。协助申请