目标检测经典论文_做目标检测，这6篇就够了：CVPR 2020目标检测论文盘点

CVPR 2020 会议上，有哪些目标检测论文值得关注？

目标检测是计算机视觉中的经典问题之一。凭借大量可用数据、更快的 GPU 和更好的算法，现在我们可以轻松训练计算机以高精度检测出图像中的多个对象。

前不久结束的 CVPR 2020 会议在推动目标检测领域发展方面做出了一些贡献，本文就为大家推荐其中 6 篇有价值的目标检测论文。

论文清单

A Hierarchical Graph Network for 3D Object Detection on Point Clouds

HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection

Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud

Camouflaged Object Detection

Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

D2Det: Towards High-Quality Object Detection and Instance Segmentation

1. A Hierarchical Graph Network for 3D Object Detection on Point Clouds

论文地址：

https://openaccess.thecvf.com/content_CVPR_2020/papers/Chen_A_Hierarchical_Graph_Network_for_3D_Object_Detection_on_Point_CVPR_2020_paper.pdf

这项研究提出了一种基于图卷积 (GConv) 的新型层次图网络 (HGNet)，它用于三维目标检测任务，可直接处理原始点云进而预测三维边界框。HGNet 能够有效捕获点之间的关系，并利用多级语义进行目标检测。

具体而言，该研究提出了新的 shape-attentive GConv (SA-GConv)，它能通过建模点的相对几何位置来描述物体的形状，进而捕获局部形状特征。基于 SA-GConv 的 U 形网络捕获多层次特征，通过改进的投票模块(voting module)将这些特征映射到相同的特征空间中，进而生成候选框(proposal)。

HGNet 主要包括三部分：

基于 GConv 的 U 形网络(GU-net)；

候选框生成器；

候选框推理模块(ProRe Module)：使用全连接图对候选框进行推理。

该研究提出的模型主要以 VoteNet 作为 backbone，并基于它提出了一系列改进。由下图可以看出：

将 VoteNet 中的 PointNet++ 换成特征捕捉能力更强的 GCN；

为 up-sample 的多层中的每一层都接上 voting 模块，整合多个尺度的特征；

在 proposal 之间也使用 GCN 来增强特征的学习能力。