論文閱讀筆記六十一:Selective Kernel Networks(SKNet CVPR2019)
論文原址:https://arxiv.org/pdf/1903.06586.pdf github: https://github.com/implus/SKNet 摘要 在標准的卷積網絡中，每層網絡中神經元的感受野的大小都是相同的。在神經學中，視覺神經元感受野的大小 ...
原文：論文閱讀筆記六十二:RePr: Improved Training of Convolutional Filters(CVPR2019)
論文原址:https: arxiv.org abs . 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的計算及內存。本文從更改訓練方式的角度來解決上述問題。本文發現，通過對模型進行臨時裁剪，並對一定的filter進行恢復，重復操作，可以減少特征中的重疊效 ...
2019-05-19 10:23 0 714 推薦指數：
相關推薦
論文閱讀筆記五十七:FCOS: Fully Convolutional One-Stage Object Detection(CVPR2019)
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 ...
論文閱讀筆記五十二：CornerNet-Lite: Efficient Keypoint Based Object Detection（CVPR2019）
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 ...
論文閱讀筆記四十九：ScratchDet: Training Single-Shot Object Detectors from Scratch(CVPR2019)
論文原址：https://arxiv.org/abs/1810.08425 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 ...
GHM論文筆記（CVPR2019）
目錄 作者要解決的問題 Focal loss(CVPR2017) Focal loss的解決方案 Focal loss的不足 設計思路 梯度與樣本的關系 梯度模計算方法 改進 ...
論文閱讀筆記五十四：Gradient Harmonized Single-stage Detector（CVPR2019）
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 ...
論文閱讀筆記四十八：Bounding Box Regression with Uncertainty for Accurate Object Detection(CVPR2019)
論文原址：https://arxiv.org/pdf/1809.08545.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 ...
論文閱讀筆記四十五：Region Proposal by Guided Anchoring（CVPR2019）
論文原址：https://arxiv.org/abs/1901.03278 github:code will be available 摘要 區域anchor是現階段目標檢測方法的重要基石。大多數好的目標檢測算法都依賴於anchors機制，通過預定義好的尺寸及大小在空間 ...