1.RetinaTrack:在线单级联合检测和跟踪
标题:RetinaTrack: Online Single Stage Joint Detection and Tracking
备注:Accepted to CVPR 2020
链接:https://arxiv.org/abs/2003.13870
GitHub:https://github.com/cheind/py-motmetrics
摘要:传统上,多对象跟踪和对象检测是使用单独的系统执行的,大多数先前的工作仅专注于这些方面之一。跟踪系统显然可以从获得准确的检测中受益,但是,文献中有充分的证据表明检测器可以从跟踪中受益,例如,可以帮助随着时间推移平滑预测。在本文中,我们专注于自动驾驶的“检测跟踪”范例,其中两个任务都是关键任务。我们提出了一种概念上简单有效的联合检测和跟踪模型RetinaTrack,该模型修改了流行的单阶段RetinaNet方法,使其适合实例级嵌入训练。通过对Waymo Open Dataset的评估,我们显示 我们的性能优于最新的跟踪算法,同时所需的计算量也大大减少。我们认为,我们简单而有效的方法可以作为该领域未来工作的坚实基础。
2.M2M:通过大到小翻译的不平衡分类
标题:M2m: Imbalanced Classification via Major-to-minor Translation
备注:12 pages; Accepted to CVPR 2020
链接:https://arxiv.org/abs/2004.00431
GitHub:https://github.com/alinlab/M2m
摘要:在大多数实际情况下,标记的训练数据集是高度不平衡的,在这种情况下,深度神经网络难以推广到平衡的测试标准。在本文中,我们探索了一种新颖而简单的方法,通过转换频率较高的类中的样本(例如图像)来增加频率较低的类,从而缓解了这一问题。这种简单的方法使分类器能够通过转移和利用多数信息的多样性来学习少数类的更一般化的特征。我们在各种类别不平衡数据集上的实验结果表明,与其他现有的重新采样或重新加权方法相比,该方法显着改善了少数群体的泛化能力。
3.边界感知密集特征指示器用于点云中的单级