論文原址：https: arxiv.org pdf . .pdf github：https: github.com yihui he KL Loss 摘要 大規模的目標檢測數據集在進行ground truth 框標記時仍存在這歧義，本文提出新的邊界框的回歸損失針對邊界框的移動及位置方差進行學習，此方法在不增加計算量的基礎上提高不同結構定位的准確性。而學習到的位置變化用於在進行NMS處理時合並兩個 ...
2019-04-17 16:03 0 4267 推薦指數：
論文原址：https://arxiv.org/pdf/1902.09630.pdf github:https://github.com/generalized-iou 摘要 在目標檢測的評測體系中，IoU是最流行的評價准則。然而，在對邊界框的參數進行優化時，常用到距離 ...
論文原址：https://arxiv.org/abs/1904.01355 github: tinyurl.com/FCOSv1 摘要 本文提出了一個基於全卷積的單階段檢測網絡，類似於語義分割，針對每個像素進行預測。RetinaNet,SSD,YOLOv3，Faster ...
論文原址：https://arxiv.org/pdf/1904.08900.pdf github:https://github.com/princeton-vl/CornerNet-Lite 摘要 基於關鍵點模式進行目標檢測是一種新的方法，他並不需要依賴於anchor ...
論文鏈接：https://arxiv.org/abs/1904.08189 github：https://github.com/Duankaiwen/CenterNet 摘要 目標檢測中，基於關鍵點的方法經常出現大量不正確的邊界框，主要是由於缺乏對相關剪裁區域的額外監督 ...
論文原址：https://arxiv.org/abs/1904.03797 摘要 FoveaBox屬於anchor-free的目標檢測網絡，FoveaBox直接學習可能存在的圖片種可能存在的目標，這期間並不需要anchor作為參考。主要靠兩方面實現:（1）產生類別敏感的語義 ...
論文原址：https://arxiv.org/abs/1903.00621 摘要 本文提出了基於無anchor機制的特征選擇模塊，是一個簡單高效的單階段組件，其可以結合特征金字塔嵌入到單階段檢測器中。FSAF解決了傳統基於anchor機制的兩個限制:(1)啟發式 ...
論文原址：https://arxiv.org/pdf/1904.02701.pdf github:https://github.com/OceanPang/Libra_R-CNN 摘要 相比模型的結構，關注度較少的訓練過程對於檢測器的成功檢測也是十分重要的。本文發現，檢測性能 ...
本文提出的方法思想是利用屬性信息來挖掘各個局部特征的權重，如下圖所示。 網絡框架如下圖。框架對人體的六組屬性進行了區分：性別&年齡、頭部、上半身、下半身、鞋子、背包拎包等，具體見下表。通 ...
