DETR基於標准的Transorfmer結構，性能能夠媲美Faster RCNN，而論文整體思想十分簡潔，希望能像Faster RCNN為后續的很多研究提供了大致的思路   來源：曉飛的算法工程 ...

這篇文獻的主要結構如下： 第1節，簡單介紹目標檢測的發展及兩類目標檢測算法。 第 2 節中討論了骨干網絡，目標檢測器需要強大的骨干網絡來提取豐富的特征。眾所周知，特定領域圖像檢測器的典型管道是任務的基礎和里程碑。 在第 3 節中，本文闡述了之前提出的最具代表性和開創性的基於深度學習 ...

論文：https://ieeexplore.ieee.org/document/9646959 代碼：https://github.com/SUST-reynole/DESSN 1. 概述 目前應用於超高分辨率遙感影像變化檢測的方法中依然存在兩個主要的問題。一是它們要么忽略了雙時相圖 ...

論文提出增量式少樣本目標檢測算法ONCE，與主流的少樣本目標檢測算法不太一樣，目前很多性能高的方法大都基於比對的方式進行有目標的檢測，並且需要大量的數據進行模型訓練再應用到新類中，要檢測所有的類別則需要全部進行比對，十分耗時。而論文是增量式添加類別到模型，以常規的推理形式直接檢測，十分高效 ...

論文基於DA Faster R-CNN系列提出類別正則化框架，充分利用多標簽分類的弱定位能力以及圖片級預測和實例級預測的類一致性，從實驗結果來看，類該方法能夠很好地提升DA Faster R-CNN系列的性能   來源：曉飛的算法工程筆記 公眾號 論文: Exploring ...

重意味着嚴謹、繁瑣，輕則意味着迅捷、零散。應當輕還是重？這是個問題 通過這次的閱讀任務，我想從這兩個方面談軟件工程的輕與重：開發流程模式 與 開發團隊模式 開發流程模式的輕與重： Managing the development of large software systems ...

圖像分類、目標檢測、分割是計算機視覺領域的三大任務。 目標檢測的基本思路：同時解決定位（localization） + 識別（Recognition）。 多任務學習，帶有兩個輸出分支。一個分支用於做圖像分類，即全連接+softmax判斷目標類別，和單純圖像分類區別 ...

分類網絡遷移過來，用作特征提取器（通過在OD數據集上進行微調，並且與后續的網絡的共同訓練，使得它提取出來的特征更適合OD任務），后續的網絡負責從這些特征中，檢測目標的位置和類別。那么，我們就將分類網絡所在的環節稱之為“Backbone”，后續連接的網絡層稱之為“Detection head ...