Arch的博客

Focal Loss for Dense Object Detection引入问题目前目标检测的框架一般分为两种：基于候选区域的two-stage的检测框架（比如fast r-cnn系列），基于回归的one-stage的检测框架（yolo,ssd这种），two-stage的效果好，one-stage的快但是效果差一些。本文作者希望弄明白为什么one-stage的检测器准确率不高的问题，作者给出的解释

CoupleNet: Coupling Global Structure with Local Parts for Object Detection背景：R-FCN在利用了FCN之后，目标检测的效果仍然十分可观并在速度上有较大提升，比faster r-cnn快2.5-20倍，R-FCN利用的是卷积产生的位敏得分feature map（一个ROI的k*k个位置对每一类均产生一个score map），基

这篇文章的特点：利用了global context的信息利用了scene context的信息背景： 什么是global context?在我的理解就是，图的整体性的重要性，一张图上出现一个新的物体，显著性会发生明显的变化。论文中有这样解释，如果不考虑global context，在图b中也会对图a中显著性高的地方做出类似的反应，这样ground truth就不是很好。什么是scene co

本文主要工作：本文结合forward和backward的特征，利用弱监督的方式进行了显著性检测（这里若监督的意思是使用预训练好的分类模型，不需要再训练显著性数据即可得到saliency map，即通过反向传播的方式）在计算saliency map时，相比之前工作中的back propagation（BP）和guided back propagation（GBP）方法，进行了改进，得到partia

SAM显著性检测模型本文特点：1、相比之前做显著性检测的模型，本文最大的特点是采用了neural attentive mechanism这种机制是什么意思，给出原文的解释（自己不太明白）： Machine attention [16] is a computational paradigm which aims to compute an output as a weighted sum of