第四范式兩次刷新PASCAL VOC物體檢測世界紀錄

近日，在國際頂級賽事PASCAL VOC 2012 挑戰(zhàn)賽通用物體檢測 Competition 4 任務中，第四范式分別采用多模型融合與單模型兩種方案，兩天內兩次刷新該任務檢測成績，占據(jù)總排名前兩位。在該項目的20項細分物體檢測任務中，第四范式在其中12項取得最好成績。

第四范式本次采用的兩種競賽方案，其中排名第一位的方案引入多層次深度遷移學習技術的多模型融合方案提升了識別精準度、魯棒性;排名第二位的自適應候選框提取方法的單模型方案，具備高效、快速、更適合實際部署與應用等優(yōu)勢。

　　第四范式基于不同方案占據(jù)該項目競賽前兩位

PASCAL VOC 挑戰(zhàn)賽以質量高、場景復雜、目標多樣、檢測難度大著稱，以快速檢驗算法有效性，吸引了國內外AI公司、高校、研究機構競相展開激烈競爭。目前，PASCAL VOC數(shù)據(jù)集囊括人、動物、交通工具、室內物體等20個類別。在PASCAL VOC 眾多賽事中，2012 挑戰(zhàn)賽因數(shù)據(jù)量最大、覆蓋真實場景多且復雜，成為衡量技術實力的標尺。

　　檢測與定位結果

　　multi-scale test策略，僅供加強理解，并非嚴格按照參賽情況繪制

在圖片檢測中，由于圖片中的物體往往尺寸大小差異極大，參賽者往往采用多個尺度(一般4到6個)的測試策略(multi-scale test)，即用放大版圖片檢測小物體，用縮小版圖片檢測大物體。雖然多尺度的檢測方式對于提升準確率非常有效，但該方式存在占用計算資源大、反饋延遲等缺陷，嚴重影響了實際的應用效果。

第四范式基于第四范式AutoCV的簡單、好用原則，設計了“自適應候選框提取方法”，可解決圖片中不同物體尺度差距大的問題，只需單個尺度的圖像輸入就能達到甚至超過多尺度的效果，節(jié)省資源的同時，可保證準實時的物體檢測。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。