arXiv每日推荐-6.2

【1】 Combining Fine- and Coarse-Grained Classifiers for Diabetic Retinopathy Detection
结合细粒度和粗粒度分类器检测糖尿病视网膜病变
作者： Muhammad Naseer Bajwa, Sheraz Ahmed
链接：https://arxiv.org/abs/2005.1430

【2】Machine Learning for recognition of minerals from multispectral data
标题：从多光谱数据中识别矿物的机器学习
作者： Pavel Jahoda, Loredana Bessone
链接：https://arxiv.org/abs/2005.1432

【3】SNR-based teachers-student technique for speech enhancement
标题：基于SNR的师生语音增强技术
作者： Xiang Hao, Guanglai Gao
备注：Accepted to 2020 IEEE International Conference on Multimedia and Expo (ICME 2020)
链接：https://arxiv.org/abs/2005.1444

【4】Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training
机构：中科院、TuSimple
作者：Hongkai Zhang, Hong Chang, Bingpeng Ma, Naiyan Wang, Xilin Chen
链接：https://arxiv.org/pdf/2004.06002.pdf
代码：https://github.com/hkzhang95/DynamicRCNN
摘要：虽然two-stage目标检测器近年来不断提升SOTA性能，但就训练过程本身来说还远未达到完美。在这项工作中，我们首先指出了固定网络设置和动态训练过程之间的不一致问题，这对性能有很大的影响。例如，固定标签分配策略和回归损失函数不能适应proposal的分布变化，不利于训练高质量的检测器。因此，我们提出了动态R-CNN算法，在训练过程中根据proposals的统计信息自动调整标签分配标准(IoU阈值)和回归损失函数的shape(Smooth L1损失的参数)。这种动态设计更好地利用了训练样本，并推动检测器拟合更多的高质量样本。具体地说，我们的方法在MS Coco数据集上,在ResNet-50-FPN基线上AP提升1.9%，AP90提升5.5%，而没有额外的计算开销。

【5】上交&华为CVPR Oral：GPA跨域目标检测[开源]
上交&华为CVPR2020 Oral，基于Graph-induced Prototype Alignment的跨域目标检测方法，同时解决了类别不均衡问题，性能达到sota。
标题：Cross-domain Detection via Graph-induced Prototype Alignment
机构：上交、Hisilicon、Huawei Noahs Ark Lab
作者：Minghao Xu, Hang Wang, Bingbing Ni, Qi Tian, Wenjun Zhang
链接：https://arxiv.org/pdf/2003.12849.pdf
代码：https://github.com/ChrisAllenMi

【6】CNN在玉米籽粒检测与计数中的应用
标题：Convolutional Neural Networks for Image-based Corn Kernel Detection and Counting
机构：Iowa State University
作者：Saeed Khaki, Hieu Pham, Ye Han, Andy Kuhl, Wade Kent, Lizhi Wang
链接：https://arxiv.org/pdf/2003.12025.pdf
摘要：准确的季节玉米谷物产量估计使农民能够做出实时、准确的收获和粮食营销决策，将可能的损失降至最低。一个发育良好的玉米穗可以有多达800粒，但手动清点一穗玉米上的籽粒是劳动密集、耗时的，而且容易出现人为错误。从算法的角度来看，由于单个玉米穗图像中存在大量不同角度的核，并且核之间的距离很小，因此从单个玉米穗图像中检测核是具有挑战性的。本文提出了一种基于滑动窗口的核检测和计数方法。该方法在非受控光照条件下拍摄的单个玉米穗图像中，对所有玉米粒进行检测和计数。滑动窗口方法使用卷积神经网络(CNN)进行核检测。然后，应用NMS来去除重叠检测。最后，将分类为核的窗口传递给另一个CNN回归模型，以求出核图像块中心的(x，y)坐标。实验表明，该方法能够以较低的检测误差成功检测出玉米籽粒，并能对一批不同角度的玉米穗进行检测。