2021年03月_狼刀流

原创论文阅读：CVPR2018 | PANET：Path Aggregation Network for Instance Segmentation

文章目录前言一、Introduction二、Framework1.Bottom-up Path Augmentation2.Adaptive Feature PoolingAdaptive Feature Pooling StructureMask Prediction Structure三、result四、总结前言信息在神经网络中的传播方式是非常重要的。在本文中，我们提出了路径聚合网络(PANET)，旨在提高基于提案的实例分割框架中的信息流。具体地说，通过自下而上的路径增强，在较低层使用精确的定位信

2021-03-31 20:30:27 728

原创论文阅读：CVPR2019 | CSPNet: A New Backbone that can Enhance Learning Capability of CNN

文章目录前言一、Introduction二、MethodCross Stage Partial NetworkPartial Dense BlockPartial Transition LayerExact Fusion Model三、 result总结前言神经网络使最先进的方法在计算机视觉任务(如目标检测)上取得了令人难以置信的结果。然而，这样的成功在很大程度上依赖于昂贵的计算资源，这阻碍了拥有廉价设备的人们欣赏先进技术。本文从网络结构的角度出发，提出了跨级部分网络(Cross Stage Part

2021-03-31 15:11:06 831

原创转载系列 | YOLOv4: Optimal Speed and Accuracy of Object Detection

文章目录前言总结前言一个不错的PPT链接: https://drive.google.com/file/d/1r8HBrczxM59WGtwrDCd97r2x622jlBxo/view.论文链接: https://arxiv.org/pdf/2004.10934.pdf.知乎链接1: https://zhuanlan.zhihu.com/p/136172670.知乎链接2: https://zhuanlan.zhihu.com/p/135980432.总结这篇论文有创新和改进都十分有限。然.

2021-03-30 15:49:22 163

原创论文阅读：CVPR2019 | CenterNet :Objects as Points

文章目录前言一、Introduction？二、网络结构三、Detection总结前言论文链接: https://arxiv.org/pdf/1904.07850.pdf.检测将对象标识为图像中的轴对齐框。大多数成功的对象探测器枚举了几乎全部的潜在对象位置列表并分类了每个潜在的对象位置。这是浪费，效率低下，并且需要额外的后处理。在本文中，我们采取了不同的方法。我们将一个对象塑造为单点 - 其边界框的中心点。我们的探测器使用关键点估计来查找到所有其他对象属性的中心点和回归，例如大小，3D位置，方向，甚.

2021-03-30 14:16:24 539

原创转载系列 | YoloV1-V3 学习小汇总

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录blog汇总blog汇总链接: https://www.cnblogs.com/makefile/p/YOLOv3.html.这篇文章整个串了一遍，写的不错可以当做复习看看。yolov1：核心应该就是它的loss，搞懂了它的loss基本论文懂了一大半。看起来复杂，其实就是对位置，类别,IOU这3个量的平方差。yolov2：在v1的基础上换了backbone，从VGG换成了darknet。引入了anchor机制（yolov

2021-03-25 18:11:17 125

原创论文阅读：ECCV 2020 | Self-Challenging Improves Cross-Domain Generalization

文章目录前言Introduction总结论文地址：https://arxiv.org/pdf/2007.02454v1.pdf.代码：https://github.com/DeLightCMU/RSC前言卷积神经网络（CNN）通过激活与标签相关的显性特征来进行图像分类。当训练和测试数据处于类似的分布时，它们的主导功能类似，导致不错的测试性能。尽管如此，在用不同的分布测试时，性能仍然是未满足的，导致跨域图像分类中的挑战。我们介绍了一个简单的培训启发式， Representation Self-Cha

2021-03-23 16:43:27 1411 2

原创论文阅读：CVPR 2021 | KeepAugment

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言1、Introduction？2、Data Augmentation and its Trade-offs3、Method总结前言数据增强是培训最先进的深度学习系统的基本技术。在本文中，经验显示数据增强可能会引入嘈杂的增强示例，从而损害了在推理期间在未分配数据上的性能。为了减轻这个问题，文中提出了一种简单但高效的方法，被称为KeepAugment，增加了增强的图像保真度。该想法首先使用显着图来检测原始图像上的重要区域，然后

2021-03-22 14:32:59 963

qq_17614495的博客