Глубокое обучение для универсального обнаружения объектов: обзор
Deep Learning for Generic Object Detection: A Survey
2019-10-31
SCID: 54.1/bjqyxef8
Discuss with AI
моделирование контекстаглубокое обучениеметрики оценкидетектирование общих объектовгенерация предложений объектов
Figures from the paper
Abstract (AI)
Обнаружение объектов, одна из наиболее фундаментальных и сложных задач компьютерного зрения, направлено на локализацию экземпляров объектов среди большого числа заранее заданных категорий на естественных изображениях. Методы глубокого обучения зарекомендовали себя как мощная стратегия для обучения представлений признаков непосредственно из данных и привели к заметным прорывам в области универсального обнаружения объектов. Учитывая период быстрого развития, цель этой статьи — предоставить всесторонний обзор недавних достижений в этой области, вызванных методами глубокого обучения. В обзор включено более 300 исследовательских работ, охватывающих многие аспекты универсального обнаружения объектов: фреймворки детекции, представление признаков объектов, генерация предложений объектов, моделирование контекста, стратегии обучения и метрики оценки. Мы завершаем обзор определением перспективных направлений для будущих исследований.
Key Findings
1
Методы глубокого обучения обеспечили значительные прорывы в задачах общего обнаружения объектов за счёт обучения представлений признаков непосредственно из данных.
2
Общее обнаружение объектов остаётся фундаментальной и сложной задачей компьютерного зрения, включающей локализацию экземпляров из множества заранее определённых категорий на естественных изображениях.
3
Статья предоставляет всесторонний синтез недавних достижений в обнаружении объектов на основе глубокого обучения и выделяет перспективные направления будущих исследований.
4
Обзор охватывает более 300 научных работ по фреймворкам обнаружения, представлению признаков, генерации предложений объектов, моделированию контекста, стратегиям обучения и метрикам оценки.
Research Object
Обнаружение (детекция) общих объектов в натуральных изображениях
Research Subject
Достижения, обеспеченные глубоким обучением, в областях схем детекции, представления признаков объектов, генерации предложений объектов, моделирования контекста, стратегий обучения и метрик оценки для локализации экземпляров объектов из множества предопределённых категорий
Publication Details
Publication Date
2019-10-31
Journal
Publisher
ISSN
Cited by
2964
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai18
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
Сети Squeeze-and-Excitation2018
Переосмысление архитектуры Inception для компьютерного зрения2016
Дистилляция знаний в нейронной сети2015
Обучение нескольких слоев признаков на маленьких изображениях2024
Снижение размерности данных с помощью нейронных сетей2006
Обучение представлений: обзор и новые перспективы2013
Агрегированные остаточные преобразования для глубоких нейронных сетей2017
Всеобъемлющий обзор графовых нейронных сетей2020
Обучение глубоких признаков для дискриминативной локализации2016
ShuffleNet: чрезвычайно эффективная сверточная нейронная сеть для мобильных устройств2018
Графовые нейронные сети: обзор методов и приложений2020
PointNet: Глубокое обучение на множествах точек для 3D-классификации и сегментации2016
Графовые нейронные сети: обзор методов и приложений2018
Работы, цитирующие эту статью8
SwinIR: восстановление изображений с использованием Swin Transformer2021
Обзор автономного вождения: общепринятые практики и новые технологии2020
Соревнование Detection and Tracking Meet Drones2021
Технологии сенсоров и слияния сенсорных данных в автономных транспортных средствах: обзор2021
Искусственный интеллект в креативных индустриях: обзор2021
Алгоритмы компьютерного зрения и их аппаратные реализации: обзор2019
Рентгеновский досмотр багажа с использованием компьютерного зрения: обзор2020
Обзор обнаружения дефектов на основе аудио- и видеоданных с использованием глубокого обучения в техническом обслуживании железнодорожного транспорта2022