目標(biāo)檢測新范式！在 COCO、CrowdHuman 和 LVIS上取得了良好的性能，尤其是跨不同場景的零樣本遷移 本文提出了 DiffusionDet，這是一個新框架，它將目標(biāo)檢測制定為從噪聲框到對象框的去噪擴散過程。 在訓(xùn)練階段，目標(biāo)框從真實框擴散到隨機分布，并且模型學(xué)習(xí)扭轉(zhuǎn)這種噪聲過程。 在推理中，模型以漸進(jìn)的方式將一組隨機生成的框細(xì)化為輸出結(jié)果。 我們的工作具有吸引人的靈活性，可以實現(xiàn)動態(tài)的盒子數(shù)量和迭代評估。 標(biāo)準(zhǔn)基準(zhǔn)測試的大量實驗表明，與之前成熟的檢測器相比，DiffusionDet 取得了良好的性能。 例如，在從 COCO 到 CrowdHuman 的零樣本遷移設(shè)置下，使用更多框和迭代步驟進(jìn)行評估時，DiffusionDet 實現(xiàn)了 5.3 AP 和 4.8 AP 增益。

代碼：https://github.com/ShoufaChen/DiffusionDet 論文下載鏈接：https://arxiv.org/abs/2211.09788 更多論文創(chuàng)新點加微信群：Lh1141755859 公眾號：CV算法小屋