近日，在國際賽事PASCAL VOC 2012 挑戰賽通用物體檢測 Competition 4 任務中，第四範式分别采用多模型融合與單模型兩種方案，兩天内兩次刷新該任務檢測成績，占據總排名前兩位。在該項目的20項細分物體檢測任務中，第四範式在其中12項取得成績。
第四範式本次采用的兩種競賽方案，其中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别精準度、魯棒性;排名第二位的自适應候選框提取方法的單模型方案，具備高效、快速、更适合實際部署與應用等優勢。
第四範式基于不同方案占據該項目競賽前兩位
PASCAL VOC 挑戰賽以質量高、場景複雜、目标多樣、檢測難度大著稱，以快速檢驗算法有效性，吸引了國内外AI公司、高校、研究機構競相展開激烈競争。目前，PASCAL VOC數據集囊括人、動物、交通工具、室内物體等20個類别。在PASCAL VOC 衆多賽事中，2012 挑戰賽因數據量、覆蓋真實場景多且複雜，成為衡量技術實力的标尺。
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确率非常有效，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。
第四範式基于第四範式AutoCV的簡單、好用原則，設計了“自适應候選框提取方法”，可解決圖片中不同物體尺度差距大的問題，隻需單個尺度的圖像輸入就能達到甚至超過多尺度的效果，節省資源的同時，可保證準實時的物體檢測。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
