【必看系列】ECCV 2020 優秀論文大盤點-目標檢測篇

2021-02-28 DeepAI 視界
本文盤點ECCV 2020 與目標檢測相關的研究，包含目標檢測新範式、密集目標檢測、點雲目標檢測、少樣本目標檢測、水下目標檢測、域適應目標檢測、弱監督目標檢測、訓練策略等，總計 41 篇，其中 2 篇 Oral，6 篇 Spotlight，開源或者將開源的有26篇。其中有眾多非常值得參考的工作，比如Facebook的DETR，還有兩篇基於訓練策略無痛漲點的方法。
下載包含這些論文的 ECCV 2020 所有論文：

   目標檢測新範式

End-to-End Object Detection with Transformers作者 | Nicolas Carion, Francisco Massa, Gabriel Synnaeve, Nicolas Usunier, Alexander Kirillov, Sergey Zagoruyko論文 | https://arxiv.org/abs/2005.12872
代碼 | https://github.com/facebookresearch/detr (目前已有4.8K星)

GeoGraph: Graph-based multi-view object detection with geometric cues end-to-end

作者 | Ahmed Samy Nassar, Stefano D'Aronco, Sébastien Lefèvre, Jan D. Wegner

單位 | IRISA, Universite Bretagne Sud；蘇黎世聯邦理工學院

論文 | https://arxiv.org/abs/2003.10151

基於圖的檢測方法在城市多視角目標檢測中的應用，在精度和效率方面都好於之前的方法。

UFO²: A Unified Framework towards Omni-supervised Object Detection

作者 | Zhongzheng Ren , Zhiding Yu, Xiaodong Yang , Ming-Yu Liu,Alexander G. Schwing,  Jan Kautz

單位 | 伊利諾伊大學厄巴納-香檳分校；英偉達

論文 | https://www.ecva.net/papers/eccv_2020/

papers_ECCV/papers/123640290.pdf

這篇論文從最大限度利用數據集的標註出發，提出一種既能利用目標檢測包圍框標註，又能利用弱監督標註的目標檢測訓練統一框架，在實際應用中能最大限度利用訓練樣本，感覺這是個很好的想法。

   密集目標檢測

BorderDet: Border Feature for Dense Object Detection

作者 | Han Qiu, Yuchen Ma, Zeming Li, Songtao Liu, Jian Sun

單位 | 曠視科技；西安交通大學

論文 | https://arxiv.org/abs/2007.11056

代碼 | https://github.com/Megvii-BaseDetection/BorderDet

備註 | ECCV 2020 Oral

該文提出了一種非常簡單、高效的操作來提取物體邊界極限點的特徵，叫做「BorderAlign」。模型只增加很少的時間開銷，可以在經典模型上實現FCOS(38.6 v.s. 41.4). FPN(37.1 v.s. 40.7)。

   Anchor-free 目標檢測

Corner Proposal Network for Anchor-free, Two-stage Object Detection

作者 | Kaiwen Duan, Lingxi Xie, Honggang Qi, Song Bai, Qingming Huang, Qi Tian

單位 | 國科大；華為；華中科技大學；鵬城實驗室

論文 | https://arxiv.org/abs/2007.13816

代碼 | https://github.com/Duankaiwen/CPNDet（即將）

備註 | ECCV 2020 Spotlight

   目標檢測錯誤分析工具

TIDE: A General Toolbox for Identifying Object Detection Errors

作者 | Daniel Bolya, Sean Foley, James Hays, Judy Hoffman

單位 | 喬治亞理工學院

論文 | https://arxiv.org/abs/2008.08115

代碼 | https://github.com/dbolya/tide

主頁 | https://dbolya.github.io/tide/

備註 | ECCV 2020 Spotlight

   多目標檢測和跟蹤

Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking

作者 | Jinlong Peng, Changan Wang, Fangbin Wan, Yang Wu, Yabiao Wang, Ying Tai, Chengjie Wang, Jilin Li, Feiyue Huang, Yanwei Fu

單位 | 騰訊優圖實驗室；復旦大學；NAIST

論文 | https://arxiv.org/abs/2007.14557

代碼 | https://github.com/pjl1995/CTracker

備註 | ECCV 2020 Spotlight

   帶方向目標的檢測

PIoU Loss: Towards Accurate Oriented Object Detection in Complex Environments

作者 | Zhiming Chen, Kean Chen, Weiyao Lin, John See, Hui Yu, Yan Ke, Cong Yang

單位 | 擴博智能Clobotics；上海交通大學；多媒體大學

論文 | https://arxiv.org/abs/2007.09584

代碼 | https://github.com/clobotics/piou

備註 | ECCV 2020 Spotlight

Arbitrary-Oriented Object Detection with Circular Smooth Label

作者 | Xue Yang, Junchi Yan

單位 | 上海交通大學

論文 | https://arxiv.org/abs/2003.05597

代碼 | https://github.com/Thinklab-SJTU/CSL_RetinaNet

_Tensorflow

   目標檢測定位提精

Side-Aware Boundary Localization for More Precise Object Detection

作者 | Jiaqi Wang, Wenwei Zhang, Yuhang Cao, Kai Chen, Jiangmiao Pang, Tao Gong, Jianping Shi, Chen Change Loy, Dahua Lin

單位 | 香港中文大學；南洋理工大學；商湯；浙大；國科大

論文 | https://arxiv.org/abs/1912.04260

代碼 | https://github.com/open-mmlab/mmdetection

備註 | ECCV 2020 Spotlight

   弱監督目標檢測

Many-shot from Low-shot: Learning to Annotate using Mixed Supervision for Object Detection作者 | Carlo Biffi, Steven McDonagh, Philip Torr, Ales Leonardis, Sarah Parisot
單位 | 華為；Mila Montr´eal；牛津大學論文 | https://arxiv.org/abs/2008.09694該文提出一種在線樣本標註方法，可在任意目標檢測算法訓練中利用數據弱監督信息擴充訓練樣本，在Faster RCNN的實驗中，分別取得了17%  mAP, 9%  AP50 提升在PASCAL VOC 2007 、 MS-COCO數據集上。

Enabling Deep Residual Networks for Weakly Supervised Object Detection

作者 | Yunhang Shen, Rongrong Ji , Yan Wang, Zhiwei Chen, Feng Zheng ,Feiyue Huang , Yunsheng Wu

單位 | 廈門大學；Pinterest；南科大；騰訊優圖（上海）

論文 | https://www.ecva.net/papers/eccv_2020/papers_ECCV/

papers/123530120.pdf

代碼 | https://github.com/shenyunhang/DRN-WSOD

Boosting Weakly Supervised Object Detection with Progressive Knowledge Transfer

單位 | 伊利諾伊大學厄巴納-香檳分校；微軟

論文 | https://arxiv.org/abs/2007.07986

代碼 | https://github.com/mikuhatsune/wsod_transfer

Cheaper Pre-training Lunch: An Efficient Paradigm for Object Detection

作者 | Dongzhan Zhou, Xinchi Zhou, Hongwen Zhang, Shuai Yi, Wanli Ouyang

單位 | 雪梨大學，商湯CV研究小組；中科院&國科大；商湯

論文 | https://arxiv.org/abs/2004.12178

該文發明了一種計算代價小卻能改進目標檢測精度的預訓練方法Montage pre-training。

   目標檢測、實例分割、姿態估計全家桶

Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation

作者 | Fangyun Wei, Xiao Sun, Hongyang Li, Jingdong Wang, Stephen Lin

單位 | 微軟亞洲研究院；北大

論文 | https://arxiv.org/abs/2007.02846

代碼 | https://github.com/FangyunWei/PointSetAnchor

   點雲目標檢測

SPOT: Selective Point Cloud Voting for Better Proposal in Point Cloud Object Detection

作者 | Hongyuan Du, Linjun Li, Bo Liu, and Nuno Vasconcelos

單位 | 加利福尼亞大學聖地牙哥分校

論文 | https://www.ecva.net/papers/eccv_2020/

papers_ECCV/papers/123560222.pdf

Streaming Object Detection for 3-D Point Clouds

作者 | Wei Han, Zhengdong Zhang, Benjamin Caine, Brandon Yang, Christoph Sprunk, Ouais Alsharif, Jiquan Ngiam, Vijay Vasudevan, Jonathon Shlens, Zhifeng Chen

單位 | 谷歌等

論文 | https://arxiv.org/abs/2005.01864

Pillar-based Object Detection for Autonomous Driving

作者 | Yue Wang, Alireza Fathi, Abhijit Kundu, David Ross, Caroline Pantofaru, Thomas Funkhouser, Justin Solomon

單位 | 麻省理工學院；谷歌

論文 | https://arxiv.org/abs/2007.10323

代碼 | https://github.com/WangYueFt/pillar-od

備註 | ECCV 2020

SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds

作者 | Xinge Zhu      Yuexin Ma      Tai Wang      Yan Xu Jianping Shi      Dahua Lin

單位 | 香港中文大學；商湯科技；香港浸會大學

論文 | https://arxiv.org/abs/2004.02774

代碼 | https://github.com/xinge008/SSN（尚未開源）

   一階段 vs. 二階段

MimicDet: Bridging the Gap Between One-Stage and Two-Stage Object Detection

作者 | Xin Lu, Quanquan Li , Buyu Li , and Junjie Yan

單位 | 商湯；香港中文大學

論文 | https://www.ecva.net/papers/eccv_2020/

papers_ECCV/papers/123590528.pdf

通過使一階段的目標檢測方法「模仿」二階段目標檢測算法的特徵，提升一階段目標檢測的精度。

   無痛漲點之訓練策略改進

Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training

作者 | Hongkai Zhang, Hong Chang, Bingpeng Ma, Naiyan Wang, Xilin Chen

單位 | 中科院；國科大；TuSimple

論文 | https://arxiv.org/abs/2004.06002

代碼 | https://github.com/hkzhang95/DynamicRCNN

該文提出Dynamic R-CNN根據訓練期間proposals的統計信息自動調整IoU閾值和回歸損失函數的shape（SmoothL1 Loss的參數），更好地利用了訓練樣本，並推動了檢測器去適應更多高質量的樣本。使用ResNet-50-FPN方法，沒有任何其他開銷，在MS COCO數據集上實現了1.9％的AP和5.5％的AP90改進。


LabelEnc: A New Intermediate Supervision Method for Object Detection

作者 | Miao Hao, Yitao Liu, Xiangyu Zhang, Jian Sun

單位 | 北京郵電大學  同濟大學 曠視科技

論文 | https://arxiv.org/abs/2007.03282

代碼 | https://github.com/megvii-model/LabelEnc

   少樣本目標檢測

Multi-Scale Positive Sample Refinement for Few-Shot Object Detection

作者 | Jiaxi Wu, Songtao Liu, Di Huang, Yunhong Wang

單位 | 北航

論文 | https://arxiv.org/abs/2007.09384

代碼 | https://github.com/jiaxi-wu/MPSR

少樣本目標檢測

Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild

作者 | Yang Xiao, Renaud Marlet

單位 | Univ Gustave Eiffel；valeo.ai

論文 | https://arxiv.org/abs/2007.12107

代碼 | https://github.com/YoungXIAO13/FewShotDetection

主頁 | http://imagine.enpc.fr/~xiaoy/FSDetView/

Dual Refinement Underwater Object Detection Network作者 | Baojie Fan, Wei Chen, Yang Cong, Jiandong Tian論文 | https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123650273.pdf代碼 | https://github.com/Peterchen111/FERNet（即將）

   目標檢測數據集

APRICOT: A Dataset of Physical Adversarial Attacks on Object Detection

作者 | A. Braunegg, Amartya Chakraborty, Michael Krumdick, Nicole Lape, Sara Leary, Keith Manville, Elizabeth Merkhofer, Laura Strickhart, Matthew Walmer

單位 | MITRE公司

論文 | https://arxiv.org/abs/1912.08166

Object Detection with a Unified Label Space from Multiple Datasets

作者 | Xiangyun Zhao, Samuel Schulter, Gaurav Sharma, Yi-Hsuan Tsai, Manmohan Chandraker, Ying Wu

單位 | 西北大學；NEC Labs America；加利福尼亞大學聖地牙哥分校

論文 | https://arxiv.org/abs/2008.06614

數據集 | http://www.nec-labs.com/~mas/UniDet/resources/

UOD_dataset_ECCV20.zip

主頁 | http://www.nec-labs.com/~mas/UniDet/

數據集如此珍貴，如何把不同標註的數據集結合起來使用？該文提出一種統一目標檢測的標註空間。

   快速訓練方法

Large Batch Optimization for Object Detection: Training COCO in 12 Minutes

作者 | Tong Wang , Yousong Zhu , Chaoyang Zhao , Wei Zeng , Yaowei Wang,Jinqiao Wang,Ming Tang

單位 | 中科院；國科大；ObjectEye(視語科技)；北大；鵬城實驗室等

論文 | https://www.ecva.net/papers/eccv_2020/

papers_ECCV/papers/123660477.pdf

解讀 | 12分鐘訓練COCO模型！速度精度雙提高



   自監督學習+目標檢測

Improving Object Detection with Selective Self-supervised Self-training

作者 | Yandong Li, Di Huang, Danfeng Qin, Liqiang Wang, Boqing Gong

單位 | 中佛羅裡達大學；谷歌

論文 | https://arxiv.org/abs/2007.09162

備註 | ECCV 2020

   數據增廣

Learning Data Augmentation Strategies for Object Detection

作者 | Barret Zoph, Ekin D. Cubuk, Golnaz Ghiasi, Tsung-Yi Lin, Jonathon Shlens, Quoc V. Le

單位 | 谷歌

論文 | https://arxiv.org/abs/1906.11172

代碼 | https://github.com/tensorflow/tpu/tree/master/

models/official/detection

   域適應目標檢測

Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN

作者 | Zhenwei He, Lei Zhang

單位 | Learning Intelligence & Vision Essential (LiVE) Group，重慶大學

論文 | https://arxiv.org/abs/2007.01571

代碼 | https://github.com/He-Zhenwei/ATF

Prior-based Domain Adaptive Object Detection for Hazy and Rainy Conditions

作者 | Vishwanath A. Sindagi, Poojan Oza, Rajeev Yasarla, Vishal M. Patel

單位 | 約翰斯霍普金斯大學

論文 | https://arxiv.org/abs/1912.00070

Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection

作者 | Ganlong Zhao, Guanbin Li , Ruijia Xu, and Liang Lin

單位 | 中山大學

論文 | https://www.ecva.net/papers/eccv_2020/

papers_ECCV/papers/123630086.pdf

代碼 | https://github.com/GanlongZhao/CST_DA_detection（即將）

   改進的新思路

Dive Deeper Into Box for Object Detection

作者 | Ran Chen, Yong Liu, Mengdan Zhang, Shu Liu, Bei Yu, Yu-Wing Tai

單位 | 香港中文大學；騰訊優圖實驗室；視摩智慧SmartMore；香港科技大學

論文 | https://arxiv.org/abs/2007.14350

Hierarchical Context Embedding for Region-based Object Detection

作者 | Zhao-Min Chen, Xin Jin, Borui Zhao, Xiu-Shen Wei, Yanwen Guo

單位 | 南大；曠視

論文 | https://arxiv.org/abs/2008.01338

AABO: Adaptive Anchor Box Optimization for Object Detection via Bayesian Sub-sampling

作者 | Wenshuo Ma, Tingzhong Tian, Hang Xu, Yimin Huang, Zhenguo Li

單位 | 清華大學；諾亞方舟實驗室

論文 | https://arxiv.org/abs/2007.09336

代碼 | https://github.com/wwdkl/AABO

備註 | ECCV 2020 Spotlight

Soft Anchor-Point Object Detection

作者 | Chenchen Zhu, Fangyi Chen, Zhiqiang Shen, Marios Savvides

單位 | 卡內基梅隆大學

論文 | https://arxiv.org/abs/1911.12448

代碼 | https://github.com/xuannianz/SAPD

OS2D: One-Stage One-Shot Object Detection by Matching Anchor Features

作者 | Anton Osokin, Denis Sumin, Vasily Lomakin

單位 | 俄羅斯國家研究型高等經濟大學；Yandex；mirum.io

論文 | https://arxiv.org/abs/2003.06800

代碼 | https://github.com/aosokin/os2d

Quantum-soft QUBO Suppression for Accurate Object Detection

作者 | Junde Li, Swaroop Ghosh

單位 | 賓夕法尼亞州立大學

論文 | https://arxiv.org/abs/2007.13992

Adaptive Object Detection with Dual Multi-Label Prediction

作者 | Zhen Zhao, Yuhong Guo, Haifeng Shen, Jieping Ye

單位 | 滴滴出行；卡爾頓大學

論文 | https://arxiv.org/abs/2003.12943

HoughNet: Integrating near and long-range evidence for bottom-up object detection

作者 | Nermin Samet, Samet Hicsonmez, Emre Akbas

單位 | 中東技術大學；Hacettepe University

論文 | https://arxiv.org/abs/2007.02355

代碼 | https://github.com/nerminsamet/houghnet

Probabilistic Anchor Assignment with IoU Prediction for Object Detection

作者 | Kang Kim, Hee Seok Lee

單位 | XL8 Inc；Qualcomm Korea YH

論文 | https://arxiv.org/abs/2007.08103

代碼 | https://github.com/kkhoot/PAA

歡迎各位目標檢測以及其他AI領域的朋友進入精品AI知識星球

本星球面向所有AI領域的同學，工程師，甲方，乙方，愛好者等~

Q:什麼是知識星球？他和微信QQ技術交流群的區別是什麼?

A: 由於交流群水群太多，故而建立知識星球，星球裡面有問有答，多對多的知識分享與問答。

Q:為什麼要進知識星球？

A:這個知識星球裡面專業人士較多，術業有專攻，都是AI領域的先行者，能得到他們的幫助，甚至與其交朋友，事半功倍，最重要的是，作為AI領域學子，進入以後能督促學習，養成自律的好習慣~

Q：為什麼要付費？

A：由於內容質量高，不希望白嫖。

Q:裡面有哪些人？

A: 清華北大北理中科大學子，Intel ，達摩院，騰訊，字節等大廠大佬，90% AI方向研究生學歷以上，一群友善好學，有問必答的後浪們~

  一個專注AI領域的知識星球 正式成立啦~


點讚，在看，讓更多人看到  

相關焦點

  • CVPR 引用量最高的10篇論文!何愷明ResNet登頂,YOLO佔據兩席!
    這個排名是依據過去五年發表研究的數據（覆蓋2015-2019年發表的文章），並包括截止2020年6月在谷歌學術中被索引的所有文章的引用量。眾所周知，CV領域的三大頂會就是：CVPR、ICCV和ECCV。本文就來盤點CVPR 2015-2019年引用量最高的10篇論文。
  • ECCV 2020 | 港中文等提出DDBNet:目標檢測中的Box優化
    在目標檢測領域，儘管anchor-free方法取得了成功，但應注意的是，這些方法在準確性方面仍存在局限性，其局限性在於其以atomic fashion方式學習邊界框的方式。因此，anchor-free方法的存在兩個問題：首先，中心關鍵點的定義與其語義不一致。
  • MimicDet:縮小一階段和兩階段目標檢測之間的差距 | ECCV 2020
    通過特徵匹配，優化特徵對的相似度損失和MimicDet中的檢測損失。因此，s形頭的特徵可以從t形頭的特徵中得到更好的性質。在推理過程中，丟棄t頭，即採用純單級檢測器進行目標檢測。該機制保證了MimicDet繼承了兩種體系結構的高效率和高精度。與傳統的對象檢測模擬方法不同，在MimicDet中，教師和學生共享同一骨幹，模擬對象是在不同的檢測頭之間，而不是在不同的骨幹之間。
  • ECCV 2020 | 擺脫ImageNet!Jigsaw預訓練來了!用於目標檢測的拼圖式主幹網絡預訓練方法
    基於上面的分析，論文提出了很「實惠」的預訓練方法Jigsaw pre-training，從檢測數據集中提取出目標樣本和背景樣本，根據目標的長寬比以拼圖的方式將其組合成一個訓練樣本進行模型預訓練。為了提高預訓練網絡的有效感受域，論文設計了ERF-adaptive密集分類策略，根據有效感受域(ERF)來給每個特徵點指定平滑標籤(soft label)。
  • ECCV2020 | DDBNet:目標檢測中的Box優化
    在目標檢測領域，儘管anchor-free方法取得了成功，但應注意的是，這些方法在準確性方面仍存在局限性，其局限性在於其以atomic fashion方式學習邊界框的方式。因此，anchor-free方法的存在兩個問題：首先，中心關鍵點的定義與其語義不一致。
  • 【目標檢測】Focal Loss 論文詳解
    論文:Focal Loss for Dense Object DetectionIntroduction  目前 state-of-the-art 的目標檢測算法大都是 two-stage、proposal-driven 的網絡，如 R-CNN 架構。
  • 【目標檢測系列】CNN中的目標多尺度處理方法
    目標檢測中存在不同目標實例之間的尺度跨度非常大,在多尺度的物體中，大尺度的物體由於面積大、特徵豐富，通常來講較為容易檢測。難度較大的主要是小尺度的物體，而這部分小物體在實際工程中卻佔據了較大的比例。簡單來說，ImageNet 是用來圖像分類的，目標一般 scale 比較大，而 object detection 數據集中的目標的 scale 跨度很大。在 ImageNet 這種大目標數據集上 預訓練的特徵，如果直接用在檢測那些小目標，這些特徵是不能很好地匹配和對齊的，效果並不會很好，這就是 domain-shift 造成的。
  • 目標檢測新方式 | class-agnostic檢測器用於目標檢測(附論文下載連結)
    ，然而，由於創建和注釋檢測數據集的難度和成本，訓練過的模型檢測到數量有限的目標類型，未知目標被視為背景內容。目標檢測模型在定位和分類訓練期間顯示目標時表現良好，然而，由於創建和注釋檢測數據集的難度和成本，訓練過的模型檢測到數量有限的目標類型，未知目標被視為背景內容。
  • YOLO 系列目標檢測算法介紹
    ，即輸入待檢測圖像輸出就是含有預測框的目標物體的類別概率和位置坐標值信息，真正實現了目標檢測端到端的流程。YOLO 算法為了追求更快的檢測速度，在檢測準確率上做了一定的讓步，但隨著 YOLO 算法的不斷更新迭代和優化，汲取了目前一些優秀的檢測算法的優勢，YOLO 算法在保持更快速度的同時也取得了較高的檢測精度。
  • ResNeSt 登頂COCO數據集後 ECCV2020 被拒,作者張航:只為推動領域發展
    登頂目標檢測/實例分割/全景分割的ResNeSt本部分內容來源：張航@知乎，https://zhuanlan.zhihu.com/p/140236141在上一篇關於語義分割在 ADE20K 數據集文章發布之後，我們又測試了 Cityscapes 和 Pascal Context，均達到了 SoTA 水平。
  • DETR詳解:NLP裡面的Transformer也能做目標檢測?
    論文一經開源github的repo就斬獲了1000個star，可以說是號召力很強了。但是究其原因，還是這篇論文具有很深刻的創新點。和其他目標檢測論文不同的是，這不再是換一換backbone，加一加FPN的工作，而是將目標檢測看做是一個基於集合的索引問題。簡而言之，就是給你一系列預測的物體集合，讓你來給我定位它。
  • 目標檢測︱自有數據YOLOv3訓練,最簡單的keras實現教程
    hoya012/deep_learning_object_detection這個開源項目實時更新 + 羅列了目標檢測的一些top論文。該項目集合了從 2013 年 11 月提出的 R-CNN 至在近期舉辦的 ECCV2018 上發表的 RFBNet 等四十多篇關於目標檢測的論文，相當全面。一般目標檢測問題本身的定義為：給定任意一張圖像，確定其中是否存在任何預定義類別的形義目標實例；如果存在，就返回其空間位置和覆蓋範圍。目標（object，也可譯為「對象」或「物體」）是指可以被看見和觸碰的有形事物。
  • DETR目標檢測新範式帶來的思考
    來源丨https://zhuanlan.zhihu.com/p/3669383512020年，Transformer在計算機視覺領域大放異彩。Detection Transformer (DETR) [1]就是Transformer在目標檢測領域的成功應用。
  • NeurIPS2021-《YOLOS》-ViT現在可以做目標檢測任務啦!華科提出目標檢測新方法YOLOS
    基於此，純ViT結構是否能將預訓練好的通用視覺表徵從圖像級識別轉移到複雜得多的2D目標檢測任務中，目前還不清楚。為了回答這個問題，作者提出了You Only Look at One Sequence（YOLOS） ，這是一系列基於ViT結構的目標檢測模型，具有儘可能少的模型修改和歸納偏置。
  • 邊緣檢測論文筆記
    摘要：這篇論文提出了一種基於FCNN和深度監督網絡的新的邊緣檢測算法HED，它解決了兩個重要的問題，1）整體圖片的訓練和預測，2）多尺度多層級的特徵學習。HED能實現端到端的訓練，輸入一個圖片，輸出對應的邊緣圖片。下圖中的圖c即為HED輸出的邊緣檢測結果，d-f是不同side layer（後面會具體提到）的輸出，g-i是Canny邊緣檢測器的輸出。
  • 小目標檢測:數據增強
    目標檢測算法取得了很好的成績，但是，小目標和大目標的檢測性能差異較大。小論文題目：Augmentation for small object detection論文連結：https://arxiv.org/abs/1902.07296代碼連結：https://github.com/gmayday1997/SmallObjectAugmentation造成小目標檢測困難的原因主要有兩個：1、小目標的實例較少，2、小目標標註面積佔比小
  • 175篇論文告訴你深度學習er能從NeurIPS 2020論文學到什麼?
    2020上的論文發表了一篇題為「NeurIPS 2020 Papers: Takeaways for a Deep Learning Engineer」的文章，閱讀了NeurIPS 2020中的175篇論文的摘要，匯總了與深度學習有關的見解。
  • 超快速3D目標檢測網絡開源了!SFA3D:基於LiDAR的實時、準確的3D目標檢測模型
    重磅乾貨，第一時間送達Amusi 發現了一個超快速3D目標檢測網絡SFA3D：基於LiDAR的實時、準確的3D目標檢測模型，在GTX 1080 Ti上速度高達95 FPS！代碼現已開源！主要特性：1. 快速訓練和推理；2. Anchor-free的方法；3. 無NMS；4.
  • 【模型訓練】目標檢測實現分享四:詳解 YOLOv4 算法實現
    本文是目標檢測類算法實現分享的第四篇，前面已經寫過三篇，感興趣的同學可以查閱：  (1) 《【模型訓練】目標檢測實現分享一：詳解 YOLOv1 算法實現》；  (2) 《【模型訓練】目標檢測實現分享二