MAE-DET: Revisiting Maximum Entropy Principle in Zero-Shot NAS for Efficient Object Detection
Alibaba Group（阿里巴巴集团）
在目标检测中，检测主干消耗了总推理成本的一半以上。最近的研究试图通过神经架构搜索（NAS）的帮助下优化骨干架构，以减少这种成本。然而，现有的用于目标检测的NAS方法需要数百到数千个GPU小时的搜索，这使得它们在快节奏的研究和开发中不切实际。在这项工作中，我们提出了一种新的zero-shot NAS方法来解决这个问题。该方法名为MAE-DET，通过最大熵原理自动设计高效的检测骨干，无需训练网络参数，将架构设计成本降低到几乎为零，同时提供最先进的（SOTA）性能。在引擎盖下，MAE-DET最大化检测骨干的差分熵，从而在相同的计算预算下为目标检测提供更好的特征提取器。经过一天的GPU全自动设计，MAE-DET在多个检测基准数据集上创新了SOTA检测骨干，几乎没有人为干预。与ResNet-50主干相比，在使用相同数量的FLOP/参数时，MAE-DET在mAP中的$+2.0\%$更好，在相同mAP的NVIDIA V100上的$1.54$更快。代码和预训练模型可在https://github.com/alibaba/lightweight-neuralarchitecture-search上获得。
2022-06-15 cs.CV
Revisiting Image Pyramid Structure for High Resolution Salient Object Detection
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
显著目标检测（SOD）是近年来的研究热点，但对于高分辨率图像的研究较少。不幸的是，与低分辨率（LR）图像和注释相比，HR图像及其像素级注释肯定更加劳动密集型和耗时。因此，我们提出了一个基于图像的SOD框架，逆显着性金字塔重建网络（InSPyReNet），用于在没有任何HR数据集的情况下进行HR预测。我们设计了InSPyReNet来生成显着图的严格图像金字塔结构，这使得可以使用基于图像融合的图像混合来集成多个结果。对于HR预测，我们设计了一种金字塔混合方法，该方法从同一图像的一对LR和HR尺度合成两个不同的图像金字塔，以克服有效感受野（ERF）的差异。我们对公共LR和HR SOD基准的广泛评估表明，InSPyReNet在各种SOD指标和边界准确性方面超越了最先进的（SotA）方法。
2022-11-16 cs.CV
Revisiting DETR for Small Object Detection via Noise-Resilient Query Optimization
South China Normal University（华南师范大学）；Harbin Institute of Technology（哈尔滨工业大学）；Beijing Institute of Technology（北京理工大学）
针对小目标检测中 FPN 噪声敏感与标签分配查询质量不足的问题，提出 NRQO 范式，结合 NT-FPN 和 PS-RPN 提升特征与正查询质量，并在多个基准上超过现有基线。
2025-07-25 cs.CV
Revisiting the Sibling Head in Object Detector
SenseTime X-Lab（商汤科技X实验室）；The Chinese University of Hong Kong（香港中文大学）
在Fast RCNN~ \cite{girshick2015fast}中首次命名的“用于分类和定位的共享头”（兄弟头）在过去五年中一直引领着目标检测社区的时尚。本文提供的观察，兄弟头中的两个目标函数之间的空间错位可以大大损害训练过程，但这种错位可以解决一个非常简单的操作称为任务感知空间解纠缠（TSD）。考虑到分类和回归，TSD通过为它们生成两个解纠缠的建议从空间维度对它们进行分类，这两个建议由共享建议估计。这是由自然的洞察力启发的，对于一个实例，在一些显著区域中的特征可能具有丰富的分类信息，而边界周围的特征可能擅长于限界框回归。令人惊讶的是，这个简单的设计可以将MS COCO和Google OpenImage上的所有主干和模型一致地提升约3% mAP。此外，我们提出了一个渐进的约束，以扩大性能之间的利润率解开和共享的建议，并获得约1%的多mAP。我们展示了\algname{}突破了当今单模型检测器的上限（使用ResNet-101的mAP 49.4，使用SENet 154的mAP 51.2），并且是我们在Google OpenImage Challenge 2019上获得第一名的解决方案的核心模型。
2020-03-17 cs.CV
Revisiting Monocular 3D Object Detection with Depth Thickness Field
Institute of Information Science, Beijing Jiaotong University（北京交通大学信息科学研究所）
针对现有单目3D目标检测中深度表示3D结构感知能力有限的问题，提出基于深度厚度场的MonoDTF网络，通过场景级深度重定向和实例级空间细化模块提升检测精度，在KITTI和Waymo数据集上达到SOTA且通用性强。
2025-03-24 cs.CV
Revisiting Radar Camera Alignment by Contrastive Learning for 3D Object Detection
IEEE Publication Technology Department（IEEE出版技术部）
针对雷达与相机融合3D检测中的特征错位问题，提出基于对比学习的RCAlign模型，含双路径对齐与雷达特征增强模块，在nuScenes上超越现有方法，NDS提升4.3%，mAP提升8.4%。
2025-04-23 cs.CV
Revisiting the Loss Weight Adjustment in Object Detection
目标检测是一个典型的多任务学习应用，它同时优化分类和回归。然而，在基于锚点的方法中，分类损失总是占主导地位的多任务损失，阻碍了任务的一致性和平衡优化。本文发现，移动边界框可以改变分类中正负样本的划分，这意味着分类依赖于回归。此外，我们总结了三个重要的结论微调损失权重，考虑不同的数据集，优化器和回归损失函数。基于上述结论，本文提出了自适应损失权重调整（ALWA）方法，以解决基于锚点的方法在优化时根据损失统计特性的不平衡性。通过将ALWA集成到以前最先进的检测器中，我们在PASCAL VOC和MS COCO上实现了显着的性能增益，即使L1，SmoothL1和CIoU损失也是如此。该代码可在https://github.com/ywx-hub/ALWA上获得。
2022-03-17 cs.AI cs.CV
Revisiting Physically Realizable Adversarial Object Attack against LiDAR-based Detection: Clarifying Problem Formulation and Experimental Protocols
针对基于 LiDAR 的 3D 检测物理对抗物体攻击设置不一、难复现的问题，提出设备无关的标准化开源框架与仿真及真实基准协议，并验证攻击可从仿真迁移到物理系统。
2025-07-24 cs.AI cs.CV
Revisiting Cross-Domain Problem for LiDAR-based 3D Object Detection
University of Southampton（南安普顿大学）；Meta
本文分析了基于LiDAR的3D目标检测模型在跨域场景下的过拟合问题，发现现有域自适应方法仅转移知识域而非提升泛化能力，并提出侧视图和前视图AP指标，揭示了前视图和宽度维度的过拟合现象及点云密度对跨域性能的显著影响。
2024-08-22 cs.CV
Revisiting Dilated Convolution: A Simple Approach for Weakly- and Semi- Supervised Semantic Segmentation
UIUC（伊利诺伊大学厄巴纳-香槟分校）；NUS（新加坡国立大学）；IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Tencent AI Lab（腾讯人工智能实验室）
尽管取得了显着的进步，弱监督分割方法仍然不如完全监督的方法。我们观察到性能差距主要来自于它们在学习从图像级监督产生高质量密集对象定位图方面的限制。为了弥补这一差距，我们重新审视了扩张卷积[1]，并揭示了如何以一种新的方式利用它来有效地克服弱监督分割方法的这一关键限制。具体来说，我们发现不同的膨胀率可以有效地扩大卷积核的感受野，更重要的是将周围的判别信息转移到非判别对象区域，促进这些区域在对象定位图中的出现。然后，我们设计了一个通用的分类网络，配备了不同膨胀率的卷积块。它可以产生密集和可靠的目标定位图，并有效地有利于弱监督和半监督语义分割。尽管表面上的简单，我们提出的方法获得了优越的性能超过国家的最先进的。特别是，它在Pascal VOC 2012测试集上实现了60.8%和67.6%的mIoU分数，在弱（仅图像级标签可用）和半（1，464个分割掩码可用）监督设置中，这是最新的最先进技术。
2018-05-28 cs.CV
Revisiting Graph Construction for Fast Image Segmentation
University of Florida（佛罗里达大学）；University of Colorado Denver（科罗拉多大学丹佛分校）；Xiamen University（厦门大学）
在本文中，我们提出了一个简单而有效的方法来快速图像分割。我们重新审视局部保持字符的谱聚类通过构建一个图形的图像区域的全球和本地连接。我们构建图连接的新方法依赖于两个关键观察结果：1）频繁共现的局部区域对将有很高的概率驻留在共同对象上; 2）共同对象中的空间距离区域通常表现出相似的视觉显着性，这意味着它们在流形中的相邻性。我们提出了一种新的能量函数，有效地进行图分割。基于多个高质量的分区，我们表明，生成的特征向量直方图表示可以自动驱动有效的一元潜力的分层随机场模型产生多类分割。在BSDS 500基准测试、大规模PASCAL VOC和COCO数据集上的实验表明，该方法具有较好的分割精度和效率。
2017-12-02 cs.CV
Revisiting RCNN: On Awakening the Classification Power of Faster RCNN
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）
最近的基于区域的对象检测器通常在共享的特征提取网络之上构建有单独的分类和定位分支。在本文中，我们分析了国家的最先进的检测器的故障情况下，并观察到，大多数硬误报的分类，而不是本地化的结果。我们推测：（1）由于分类和定位的特征学习目标不匹配，共享特征表示不是最佳的;（2）多任务学习有帮助，但多任务损失的优化可能导致单个任务的次优;（3）不同尺度下的大感受野导致小目标的冗余上下文信息。有效且广泛适用的解耦分类细化（DCR）网络。DCR从Faster RCNN中的基本分类器中采样硬假阳性，并训练RCNN风格的强分类器。实验显示了PASCAL VOC和COCO的最新结果，没有任何花哨。
2018-07-14 cs.CV
Revisiting Token Compression for Accelerating ViT-based Sparse Multi-View 3D Object Detectors
PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（计算机科学与工程学院，南京理工大学PCA实验室）；PCA Lab, School of Intelligence Science and Technology, Nanjing University（智能科学与技术学院，南京大学PCA实验室）
本文提出SEPatch3D框架，通过动态调整拼接块大小和改进特征增强方法，提升基于ViT的稀疏多视角3D目标检测器的推理速度和效率，实验显示其比基线模型快57%且比当前最优方法更高效。
2026-04-16 cs.CV
Revisiting 3D Object Detection From an Egocentric Perspective
Waymo LLC（Waymo有限责任公司）；Google Research（谷歌研究院）
3D目标检测是自动驾驶等安全关键型机器人应用的关键模块。对于这些应用程序，我们最关心的是检测如何影响自我代理的行为和安全（自我中心的角度）。直觉上，我们寻求更准确的描述对象的几何形状时，它更有可能干扰自我代理的运动轨迹。然而，目前的检测指标，基于框相交的联盟（IoU），是以对象为中心的，并没有被设计为捕捉对象和自我代理之间的时空关系。为了解决这个问题，我们提出了一个新的自我中心的措施来评估三维目标检测，即支持距离误差（）。我们的分析的基础上，以自我为中心的检测质量的边界框的粗糙的几何形状。鉴于洞察力，将受益于更准确的几何描述，我们建议表示对象为amodal轮廓，特别是amodal星形多边形，并设计一个简单的模型，StarPoly，预测这样的轮廓。我们在大规模Waymo开放数据集上的实验表明，与IoU相比，StarPoly更好地反映了检测质量对自我代理安全性的影响; StarPoly的估计轮廓与最近的3D对象检测器相比，始终提高了以自我为中心的检测质量。
2021-12-14 cs.CV cs.RO
Revisiting Token Pruning for Object Detection and Instance Segmentation
University of Zurich（苏黎世大学）
该研究针对视觉Transformer计算成本高的问题，探索用于目标检测与实例分割的token剪枝方法，提出四点设计见解并构建相应方案，在COCO数据集上实现了精度损失降低与推理速度提升。
2023-12-12 cs.CV
EgoLoc: Revisiting 3D Object Localization from Egocentric Videos with Visual Queries
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University of Oxford（牛津大学）
针对现有VQ3D方法因相机重定位位姿少导致成功率低的问题，提出EgoLoc流水线，结合鲁棒相机位姿估计与多视图3D位移聚合，在VQ3D任务上取得87.12%的最新最优成功率。
2023-08-28 cs.CV
Revisiting DETR Pre-training for Object Detection
University of Toronto（多伦多大学）；Peking University（北京大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Pennsylvania（宾夕法尼亚大学）；CUHK（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）
本文重新审视基于DETR的目标检测预训练，发现DETReg在强基线模型上提升有限，并提出结合改进框预测器与Objects365的Simple Self-training方法，在COCO上取得59.3% AP，同时验证合成预训练数据可进一步增强检测性能。
2023-12-01 cs.CV
Revisiting Image Reconstruction for Semi-supervised Semantic Segmentation
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；University of Adelaide（阿德莱德大学）
自动编码是一种经典的特征表示学习策略，其目的是通过瓶颈潜在表示重构输入图像。它已被证明是有效的半监督学习的辅助任务，但近年来已成为更复杂的方法已经提出了不太受欢迎。在本文中，我们重新审视使用图像重建作为辅助任务的想法，并将其与现代半监督语义分割框架。令人惊讶的是，我们发现，这样一个旧的想法在半监督学习可以产生竞争的结果与国家的最先进的语义分割算法。通过可视化图像重建模块的中间层激活，我们表明特征映射通道可以与语义概念很好地相关，这解释了为什么与重建任务的联合训练有助于分割任务。受我们观察的启发，我们进一步提出了对图像重建任务的修改，旨在进一步将对象线索与背景模式分离。从各种数据集上的实验评估，我们表明，使用重建作为辅助损失可以导致各种数据集和方法的一致改进。所提出的方法可以进一步导致以对象为中心的分割任务的显着改善。
2023-03-17 cs.CV
Free-Lunch Augmentation by Revisiting Diffusion-Based Data Generation for Cross-Domain Few-Shot Object Detection
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
针对跨域小样本目标检测的域差距与数据稀缺挑战，提出带定制噪声的选择性修复（SITN）方法，结合定制噪声生成与选择性修复模块合成有效数据，在6个CDFSOD和4个CDFSS数据集上达到新的最先进性能
2026-08-06 cs.CV
Revisiting Salient Object Detection from an Observer-Centric Perspective
Dalian University of Technology（大连理工大学）
本文提出OC-SOD方法，通过考虑观察者偏好和意图，实现个性化显著性预测，并构建首个OC-SOD数据集和代理基线。
2026-02-06 cs.AI cs.CV
Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
对比自监督学习在许多下游任务（如分割和目标检测）上的表现优于监督预训练。然而，目前的方法仍然主要应用于像ImageNet这样的策展数据集。在本文中，我们首先研究数据集中的偏差如何影响现有的方法。我们的研究结果表明，目前的对比方法在以下几个方面的效果令人惊讶：（i）对象与场景为中心，（ii）统一与长尾，以及（iii）一般与特定领域的数据集。其次，考虑到该方法的一般性，我们试图通过微小的修改来实现进一步的收益。我们表明，学习额外的不变性-通过使用多尺度裁剪，更强的增强和最近的邻居-提高了表示。最后，我们观察到MoCo在使用多作物策略进行训练时学习空间结构化表示。该表示可用于语义段检索和视频实例分割而无需微调。此外，结果与专业模型相当。我们希望这项工作能为其他研究人员提供有益的研究。代码和模型可在https://github.com/wvangansbeke/Revisiting-Contrastive-SSL上获得。
2021-12-14 cs.CV cs.LG
Grid-VLP: Revisiting Grid Features for Vision-Language Pre-training
Alibaba Group（阿里巴巴集团）
现有的视觉语言预训练（VLP）方法严重依赖于基于边界框（区域）的对象检测器，其中首先从图像中检测到显著对象，然后使用基于变换器的模型进行跨模态融合。尽管这些方法具有优越的性能，但它们在有效性和效率方面受到对象检测器的能力的限制。此外，目标检测的存在对模型设计施加了不必要的约束，并且难以支持端到端训练。在本文中，我们重新审视了基于网格的卷积特征用于视觉语言预训练，跳过了昂贵的区域相关步骤。我们提出了一个简单而有效的基于网格的VLP方法，它与网格功能的效果令人惊讶。通过仅使用域内数据集进行预训练，所提出的Grid-VLP方法在三个检查的视觉语言理解任务上可以优于大多数竞争性的基于区域的VLP方法。我们希望我们的研究结果有助于进一步推进视觉语言预训练的艺术状态，并为有效和高效的VLP提供新的方向。
2021-08-21 cs.CL cs.CV cs.MM
LabelBank: Revisiting Global Perspectives for Semantic Segmentation
University of Southern California（南加州大学）；Simon Fraser University（西蒙菲莎大学）；Oracle Labs（甲骨文实验室）
语义分割需要按对象类别对图像像素进行详细标记。从局部图像块导出的信息对于描述单个对象的详细形状是必要的。然而，这些信息是模糊的，并且可能导致噪声标签。图像内容的全局推断可以替代地捕获存在的一般语义概念。我们主张图像概念的整体推理为详细的像素标记提供有价值的信息。我们提出了一个通用的框架，以利用整体信息的形式的LabelBank像素级分割。我们展示了我们的框架在各种环境中提高语义分割性能的能力。我们学习从视觉线索，属性和/或文本描述中提取整体LabelBank的模型。我们展示了在标准数据集上的语义分割准确性的改进，这些数据集跨越了一系列最先进的分割架构和整体推理方法。
2017-03-29 cs.AI cs.CV cs.LG
BEA: Revisiting anchor-based object detection DNN using Budding Ensemble Architecture
Intel Labs（英特尔实验室）；Technical University of Munich（慕尼黑工业大学）
本文提出萌芽集成架构（BEA），通过改进损失函数校准置信度并降低不确定性误差，提升基于锚点的目标检测模型精度，在KITTI上使YOLOv3的mAP和AP50分别提高6%和3.7%，并增强分布外检测能力。
2023-11-10 cs.AI cs.CV
CoIn3D: Revisiting Configuration-Invariant Multi-Camera 3D Object Detection
National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所人机混合增强智能全国重点实验室）；Intelligent Transportation Thrust of the Systems Hub, HKUST(GZ)（香港科技大学（广州）系统枢纽智能交通学域）；Amazon Alexa AI（亚马逊Alexa人工智能）
本文提出CoIn3D框架，通过空间先验整合和摄像头感知数据增强，提升多摄像头3D目标检测在不同配置下的泛化能力。
2026-03-26 cs.CV cs.RO
Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection
Sony Research India（索尼印度研究院）
针对半监督目标检测中类别不平衡导致伪标签质量低的问题，提出自适应阈值、Jitter-Bagging模块、师生分数损失及强弱增强监督，在MS-COCO和Pascal VOC上以20%标注数据达到全监督性能。
2023-06-04 cs.AI cs.CV cs.LG
Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling
The University of Queensland（昆士兰大学）；University of Electronic Science and Technology of China（电子科技大学）
针对多类别领域自适应3D检测中的伪标签噪声与类别不平衡问题，提出ReDB框架，通过CDE、OBC和类别平衡增强实现可靠多样的伪标签自训练，并显著提升跨域检测性能。
2023-08-17 cs.AI cs.CV cs.LG
Revisiting Evaluation Metrics for Semantic Segmentation: Optimization and Evaluation of Fine-grained Intersection over Union
KU Leuven（鲁汶大学）；Google（谷歌公司）；Google DeepMind（谷歌DeepMind）；University of Oxford（牛津大学）；EPFL（洛桑联邦理工学院）；ETH Zürich（苏黎世联邦理工学院）；INSAIT（INSAIT研究院）；Samsung Research（三星研究院）
本文针对语义分割中类别与尺寸不平衡导致的评估偏差，提出细粒度mIoU及最坏情况指标，并通过在12个数据集上训练评估15个现代网络，证明其能减少大物体偏向并揭示架构与损失函数的最佳实践。
2023-10-30 cs.AI cs.CV cs.LG
Revisiting Shadow Detection: A New Benchmark Dataset for Complex World
The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
本文构建了一个包含10,500张多场景阴影图像的新基准数据集，并提出带有细节增强模块的快速阴影检测网络，以提升复杂真实世界中的阴影检测性能。
2021-01-02 cs.CV
Revisiting Knowledge Distillation for Object Detection
Huawei Technologies Canada Co Ltd.（加拿大华为技术有限公司）
用于目标检测提取的现有解决方案依赖于教师模型和地面实况标签两者的可用性。我们提出了一个新的视角来放松这一约束。在我们的框架中，学生首先使用教师生成的伪标签进行训练，然后使用标记数据（如果有的话）进行微调。大量的实验表明，改进现有的目标检测蒸馏算法。此外，在这个框架中将教师和地面实况蒸馏解耦提供了有趣的特性，例如：作为1）使用未标记的数据来进一步提高学生的表现，2）组合不同架构的多个教师模型，甚至具有不同的对象类别，以及3）减少对标记数据的需求（只有20%的COCO标签，这种方法实现了与在整个标签集上训练的模型相同的性能）。此外，这种方法的副产品是领域自适应的潜在用途。我们通过大量的实验验证这些属性。
2021-05-22 cs.CV
Revisiting Point Cloud Classification: A New Benchmark Dataset and Classification Model on Real-World Data
Hong Kong University of Science and Technology（香港科技大学）；Singapore University of Technology and Design（新加坡科技设计大学）；The University of Tokyo（东京大学）；Deakin University（迪肯大学）
针对点云数据的深度学习技术在解决3D计算机视觉中的经典问题（如3D对象分类和分割）方面表现出巨大的潜力。最近的几种3D对象分类方法在CAD模型数据集（如ModelNet 40）上具有最先进的性能，准确率高达92%。尽管如此令人印象深刻的结果，在本文中，我们认为，对象分类仍然是一个具有挑战性的任务时，对象的框架与现实世界的设置。为了证明这一点，我们引入了ScanObjectNN，这是一种基于扫描室内场景数据的新的真实世界点云对象数据集。从我们的综合基准，我们表明，我们的数据集构成了巨大的挑战，现有的点云分类技术，从现实世界的扫描对象往往是杂乱的背景和/或部分由于闭塞。我们确定了点云对象分类的三个关键问题，并提出了新的点云分类神经网络，实现了最先进的性能分类对象与杂乱的背景。我们的数据集和代码在我们的项目页面https://hkust-vgd.github.io/scanobjectnn/中公开。
2019-08-19 cs.CV
Revisiting Click-based Interactive Video Object Segmentation
Fraunhofer IOSB（弗劳恩霍夫光学、电子与精密工程研究所）；Fraunhofer Center for Machine Learning（弗劳恩霍夫机器学习中心）
虽然目前的交互式视频对象分割（iVOS）的方法依赖于基于涂鸦的交互来生成精确的对象掩码，我们提出了一个基于点击的交互式视频对象分割（CiVOS）框架，以尽可能地简化所需的用户工作量。CiVOS建立在反映用户交互和掩码传播的解耦模块上。交互模块将基于点击的交互转换为对象掩码，然后由传播模块将对象掩码推断到其余帧。附加的用户交互允许对象遮罩的细化。该方法在流行的交互式~DAVIS数据集上进行了广泛的评估，但不可避免地适应了基于涂鸦的交互与基于点击的交互。我们在评估过程中考虑了几种用于生成点击的策略，以反映各种用户输入，并调整DAVIS性能指标以执行独立于硬件的比较。所提出的CiVOS管道实现了有竞争力的结果，虽然需要较低的用户工作负载。
2022-06-07 cs.CV
Revisiting Sequence-to-Sequence Video Object Segmentation with Multi-Task Loss and Skip-Memory
DFKI GmbH（德国人工智能研究中心）；TU Kaiserslautern（凯泽斯劳滕工业大学）
视频对象分割（VOS）是视觉领域的一个活跃的研究领域.其基本子任务之一是半监督/单次学习：仅给定第一帧的分割掩码，任务是为序列的其余部分提供对象的像素精确掩码。尽管在过去的几年里取得了很大的进展，我们注意到，许多现有的方法失去了较长的序列中的对象，特别是当对象是小的或短暂的遮挡。在这项工作中，我们建立在一个序列到序列的方法，采用编码器-解码器架构与内存模块一起利用顺序数据。我们进一步改进了这种方法，提出了一个模型，操纵多尺度时空信息，使用内存装备跳过连接。此外，我们将一个辅助任务的基础上的距离分类，大大提高了质量的边缘分割掩模。我们将我们的方法与最先进的方法进行比较，并在轮廓精度度量和整体分割精度方面取得了相当大的改进。
2020-04-25 cs.CV
Revisiting Single Image Depth Estimation: Toward Higher Resolution Maps with Accurate Object Boundaries
Tohoku University（东北大学）；RIKEN（理化学研究所）
本文研究了单幅图像的深度估计问题。卷积神经网络（CNN）的应用使这一问题的研究取得了重大进展。然而，大多数现有的方法遭受损失的空间分辨率在估计的深度图，一个典型的症状是失真和模糊的重建对象的边界。在本文中，为了更准确的估计，重点是具有更高的空间分辨率的深度图，我们提出了两个改进现有的方法。一个是关于融合在不同尺度上提取的特征的策略，为此，我们提出了一种改进的网络架构，包括四个模块：编码器，解码器，多尺度特征融合模块，细化模块。另一个是关于训练中用于测量推理错误的损失函数。我们发现，三个损失项，分别测量深度，梯度和表面法线的误差，有助于提高精度的互补方式。实验结果表明，这两个改进，使达到更高的精度比目前的最先进的，这是由更精细的分辨率重建，例如，与小对象和对象边界。
2018-09-22 cs.CV
Revisiting Multi-modal 3D Semantic Segmentation in Real-world Autonomous Driving
Fudan University（复旦大学）；Mogo Auto Intelligence and Telematics Information Technology Co., Ltd（蘑菇车联智能网联信息技术有限公司）
针对多模态三维语义分割的部署难和弱标定性能下降问题，提出CPGNet-LCF框架，通过继承实时能力和弱标定知识蒸馏，在nuScenes和SemanticKITTI上达到最优，单卡20ms运行。
2023-10-13 cs.CV
When Predicting Nothing Beats SAM 3: Revisiting Evaluation in Video Object Segmentation
Seoul National University（首尔大学）
针对长视频中目标间歇出现的 VOS 评估缺陷，提出 FaVOS 基准和体积 J&F 指标，以纠正空预测奖励偏差，提升评估与实际性能的一致性。
2026-11-09 cs.CV
Revisiting Hotels-50K and Hotel-ID
McGill University（麦吉尔大学）；Mila Institute（米拉研究所）；École Polytechnique de Montréal（蒙特利尔理工学院）
在本文中，我们提出了两个最近的酒店识别数据集：Hotels50K和Hotel-ID的重访版本。重访版本提供了不同难度的评估设置，以更好地与预期的现实世界的应用，即打击人口贩运。现实世界的场景涉及当前数据集中未捕获的酒店和位置，因此重要的是要考虑真正看不到课程的评估设置。我们使用多个最先进的图像检索模型来测试此设置，并表明正如预期的那样，随着评估越来越接近真实世界中不可见的设置，模型的性能会下降。表现最好的模型的排名也会在不同的评估设置中发生变化，这进一步激励了使用拟议的重新访问数据集。
2022-07-20 cs.CV cs.DB
Revisiting the details when evaluating a visual tracker
视觉跟踪算法在各种应用中自然被采用，已经有了几个基准测试和许多跟踪算法，更多的有望在未来出现。在这份报告中，我专注于单目标跟踪，并通过介绍一种更简单、准确和可扩展的跟踪器评估和比较方法，重新审视了基于广泛使用的OTB \cite{otb}基准的跟踪器评估细节。实验结果表明，在跟踪算法中可能没有绝对的赢家。我们必须进行详细的分析，为用例选择合适的跟踪器。
2021-01-25 cs.CV
Revisiting Single Image Reflection Removal In the Wild
University of Science and Technology of China（中国科学技术大学）；vivo Mobile Communication Co., Ltd（维沃移动通信有限公司）
本文针对真实场景单图像反射去除，提出大规模RRW数据集和MaxRF反射位置表征方法，并设计反射位置感知级联框架，在多个基准上取得领先性能。
2023-11-29 cs.CV
Revisiting Point Cloud Completion: Are We Ready For The Real-World?
University of Antwerp（安特卫普大学）；Indian Institute of Technology Delhi（印度理工学院德里分校）；Birla Institute of Technology and Science Pilani（贝拉理工科学学院皮拉尼分校）；Geographic Information Management（地理信息管理机构）
本文针对真实世界点云补全难题，提出首个真实工业数据集 RealPC，并设计同调采样器引导网络 BOSHNet，通过引入拓扑先验提升补全效果。
2025-03-11 cs.CV
Revisiting Scene Text Recognition: A Data Perspective
South China University of Technology（华南理工大学）
该研究从数据视角重新审视场景文本识别，指出常用基准存在性能饱和假象，构建了含1400万张图像的Union14M真实数据集，揭示真实场景下STR仍存挑战，并验证自监督预训练可提升模型鲁棒性。
2023-07-19 cs.CV
BOP-Distrib: Revisiting 6D Pose Estimation Benchmarks for Better Evaluation under Visual Ambiguities
Université Paris-Saclay, CEA, List（巴黎萨克雷大学、CEA、List）；LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM、巴黎桥梁学院、冈斯-伊夫勒大学、CNRS）
BOP-Distrib重新审视6D位姿估计基准测试，通过自动生成图像级位姿分布来改进评估，在视觉模糊情况下提升方法评估的准确性。
2026-01-08 cs.CV
RASP: Revisiting 3D Anamorphic Art for Shadow-Guided Packing of Irregular Objects
Indian Institute of Technology Gandhinagar（甘地讷格尔印度理工学院）；Portland State University（波特兰州立大学）
本文提出基于可微渲染的框架RASP，利用3D变形艺术原理，通过阴影引导优化实现不规则3D物体的高效打包与部件组装，并展示多视角艺术效果。
2025-04-03 cs.CV cs.GR
Revisiting Weakly-Supervised Video Scene Graph Generation via Pair Affinity Learning
Yonsei University（延世大学）；LG Electronics（LG电子）
本文通过引入可学习的配对亲和力，改进弱监督视频场景图生成，利用配对亲和学习和调节，提升关系模型的准确性，实验表明在Action Genome上取得最优性能。
2026-03-23 cs.CV
Revisiting Multi-Object Tracking Baselines: Hyperparameter Optimization with Multi-Fidelity Greedy Coordinate Search
University of Belgrade（贝尔格莱德大学）
本文系统地将超参数优化应用于多目标跟踪，提出多保真度贪心坐标搜索（MFGCS），在八种组合中优于手动调参和已发表结果，最高提升16.05 HOTA点。
2026-09-14 cs.CV
Revisiting Fully Convolutional Geometric Features for Object 6D Pose Estimation
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
针对现有6D目标位姿估计忽略点级判别特征学习的问题，研究重访并适配FCGF，通过损失、输入表示、训练策略等修改及适配的数据增强，在主流基准上超越同类方法，还开展消融实验验证各修改的贡献。
2023-10-03 cs.AI cs.CV
Revisiting Physical-World Adversarial Attack on Traffic Sign Recognition: A Commercial Systems Perspective
University of California, Irvine（加利福尼亚大学欧文分校）；Drexel University（德雷塞尔大学）
本文首次针对商业交通标志识别系统开展大规模物理世界对抗攻击测量，发现现有学术攻击对部分商业系统功能可达100%成功率但不具普适性，提出新攻击指标并得出7项挑战过往结论的新发现。
2024-09-15 cs.CR cs.CV
VOPE: Revisiting Hallucination of Vision-Language Models in Voluntary Imagination Task
Key Laboratory of AI Safety of CAS, Institute of Computing Technology, Chinese Academy of Sciences (CAS)（中国科学院人工智能安全重点实验室，计算技术研究所，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Academy（中关村学院）
研究聚焦视觉语言模型在自愿想象任务中的幻觉问题，引入VOPE评估基准，通过构建数据集应用于主流模型和缓解方法，发现多数模型幻觉严重，现有缓解方法效果有限，为该领域未来研究指明重要方向。
2026-07-21 cs.CV
Revisiting Misalignment in Multispectral Pedestrian Detection: A Language-Driven Approach for Cross-modal Alignment Fusion
KAIST（韩国科学技术院）；Center for Applied Research in Artificial Intelligence (CARAI)（应用人工智能研究中心（CARAI））
针对多光谱行人检测中模态严重错位的问题，提出一种无需传统预处理校准的语言驱动框架，利用大规模视觉语言模型（LVLM）实现跨模态语义对齐，提升检测精度并扩展技术实用性。
2024-11-27 cs.CV
Revisiting Shape from Polarization in the Era of Vision Foundation Models
Sony Semiconductor Solutions Corporation（索尼半导体解决方案公司）
本研究通过极化线索和改进的数据增强方法，在少量训练数据下实现了优于传统RGB模型的表面法线估计性能。
2026-03-05 cs.CV
Revisiting Few-shot Activity Detection with Class Similarity Control
University of California, Berkeley（加州大学伯克利分校）；Boston University（波士顿大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）
现实世界中的许多有趣事件都是罕见的，因此预先注释的机器学习就绪视频也很罕见。因此，期望能够从几个示例学习的时间活动检测模型。在本文中，我们提出了一个概念上简单和一般但新颖的框架，Few-Shot时间活动检测的基础上，建议回归检测的开始和结束时间的活动在未修剪的视频。我们的模型是端到端可训练的，考虑了Few-Shot活动和未修剪测试视频之间的帧速率差异，并且可以从额外的Few-Shot示例中受益。我们在Few-Shot设置中对用于时间活动检测的三个大规模基准（ActivityNet1.2、ActivityNet1.3和THUMOS 14数据集）进行了实验。我们还研究了用于预训练视频分类骨干的活动的不同重叠量对性能的影响，并为该领域未来的工作提出了纠正措施。我们的代码将提供。
2020-03-31 cs.CV
Revisiting Audio-Visual Segmentation with Vision-Centric Transformer
Hefei University of Technology（合肥工业大学）；Chinese Academy of Sciences（中国科学院）；Beihang University（北航）；Sangfor Technologies（深信服技术）
针对现有以音频为中心的Transformer在视听分割中存在的感知模糊和视觉细节丢失问题，提出以视觉为中心的VCT框架及PPQG模块，利用视觉派生查询聚合视听信息，在AVSBench数据集上取得最优性能。
2025-06-30 cs.CV
Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection
Ulm University（乌尔姆大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Institute of Measurement, Control, and Microtechnology（测量、控制与微技术研究所）
针对基于LiDAR的3D目标检测中分布外目标检测研究不足的问题，提出通过扰动已知类别生成合成OOD数据，并利用预训练检测器特征训练MLP进行ID与OOD分类，同时提出无需修改点云的新评估协议，在nuScenes OOD基准上验证有效。
2024-04-24 cs.CV cs.LG
Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline
Princeton University（普林斯顿大学）
处理点云数据是许多现实世界系统的重要组成部分。因此，已经提出了各种各样的基于点的方法，随着时间的推移，报告稳定的基准改进。我们研究了这一进展的关键因素，并发现了两个关键结果。首先，我们发现，辅助因素，如不同的评估方案，数据增强策略，和损失函数，这是独立的模型架构，使性能有很大的差异。差异之大足以掩盖建筑的影响。当控制这些因素时，PointNet++，一个相对较老的网络，与最近的方法相比具有竞争力。第二，一个非常简单的基于投影的方法，我们称之为SimpleView，表现令人惊讶地好。它比ModelNet 40上复杂的最先进方法取得了同等或更好的结果，同时大小只有PointNet++的一半。它还优于ScanObjectNN（一个真实世界的点云基准）上的最先进方法，并展示了更好的跨数据集泛化。代码可在https://github.com/princeton-vl/SimpleView上获得。
2021-06-09 cs.CV cs.LG
