論文原址：https: arxiv.org abs . github:https: github.com KimSoybean ScratchDet 摘要 當前較為流行的檢測算法是在經典的大規模分類的數據集上進行微調，但這樣做會存在兩個問題： 分類任務與檢測任務二者之間對位置的敏感性差異較大，進而造成了優化目標之間存在偏差。 目標檢測的結構受制於分類模型，進而造成對模型修改上的不便。 為了應對上 ...
2019-04-18 13:22 0 1298 推薦指數：
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/abs/1902.05093 github:https://github.com/lingtengqiu/Deeperlab-pytorch 摘要 本文提出了一種bottoom-up，single-shot的全景圖像分析 ...
論文原址:https://arxiv.org/abs/1811.07275 摘要 一個訓練好的網絡模型由於其模型捕捉的特征中存在大量的重疊，可以在不過多的降低其性能的條件下進行壓縮剪枝。一些skip/Dense網絡結構一定程度上減弱了重疊的現象，但這種做法引入了大量 ...
論文原址：https://arxiv.org/pdf/1811.05181.pdf github:https://github.com/libuyu/GHM_Detection 摘要 盡管單階段的檢測器速度較快，但在訓練時存在以下幾點不足，正負樣本之間的巨大差距，同樣 ...
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/1904.01355 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/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/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 ...
