![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 94
Matorch
这个作者很懒,什么都没留下…
展开
-
ECCV2020 Detection DETR 论文解读
End-to-End Object Detection with Transformers论文链接:https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123460205.pdf论文代码:https://github.com/facebookresearch/detr文章目录End-to-End Object Detection with Transformers1 目标检测的预测损失2 DETR结构2.1 Backbone2.2 Tran原创 2022-05-20 20:34:14 · 368 阅读 · 0 评论 -
遮挡目标检测持续汇总
遮挡目标检测持续汇总常常将遮挡分为目标与目标间的遮挡(Crowd)、目标与背景间的遮挡(Occlusion)文章目录遮挡目标检测持续汇总Double Anchor R-CNN for Human Detection in a CrowdBi-box Regression for Pedestrian Detection and Occlusion EstimationDetection in Crowded Scenes: One Proposal, Multiple PredictionsAdapti原创 2022-05-18 19:21:30 · 8014 阅读 · 0 评论 -
ICRA2021 MOT GSDT论文解读
Joint Object Detection and Multi-Object Tracking with Graph Neural Networks论文链接:https://arxiv.org/pdf/2006.13164v3.pdf论文代码:https://github.com/yongxinw/GSDTAbstract: Object detection and Data association are critical components in multi-object tracking原创 2022-04-12 21:43:03 · 2927 阅读 · 0 评论 -
ICLR2018 GNN GAT论文解读
图注意力机制网络论文链接:https://arxiv.org/pdf/1710.10903v3.pdf论文代码:pytorch geomtetric有实现摘要Abstract: We present graph attention networks (GATs), novel neural network architectures that operate on graph-structured data, leveraging masked self-attentional layers to原创 2022-04-12 21:30:09 · 2040 阅读 · 0 评论 -
NIPS2017 GNN GraphSAGE 论文解读
Inductive Representation Learning on Large Graphs摘要1. 前言2. GraphSAGE方法3.1 嵌入生成(前向传播)方法3.2 采样方法3.3 聚合函数结构论文链接:https://arxiv.org/pdf/1706.02216v1.pdf论文代码:官方代码无,pytorch geometric 有实现但和论文公式有出入,聚合方式不同摘要Low-dimensional embeddings of nodes in large graphs ha原创 2022-04-01 15:15:33 · 1438 阅读 · 3 评论 -
CVPR2020 MOT MPNTracker 论文解读
MPNTracker——Learning a Neural Solver for Multiple Object TrackingAbstract: Graphs offer a natural way to formulate Multiple Object Tracking (MOT) within the tracking-by-detection paradigm. However, they also introduce a major challenge for learning metho原创 2022-03-28 21:37:32 · 3773 阅读 · 0 评论 -
基于孪生网络的单目标跟踪持续汇总
基于Siamese Network的单目标跟踪总结(Visual Object Tracking从SiamFC开始,涌现了一大批基于孪生神经网络(Siamese Network)的跟踪算法,其中包括多目标跟踪和单目标跟踪。本文将以SiamFC为开山之作,介绍后续的部分基于Siamese Network的单目标跟踪算法。开山之作SiamFC——Fully-Convolutional Siamese Networks for Object Tracking原创 2022-03-17 11:01:14 · 10176 阅读 · 1 评论 -
SiamFC论文解读及代码实现
SiamFC论文解读及代码实现摘要:传统上,任意目标跟踪的问题是通过专门在线学习目标外观的模型来解决的,使用视频本身作为唯一的训练数据。尽管这些方法取得了成功,但他们的纯在线方法固有地限制了他们可以学习的模型的丰富性。最近,有人试图利用深层卷积网络的表达能力。然而,当要跟踪的目标事先未知时,需要在线执行随机梯度下降以适应网络的权重,这严重影响了系统的速度。在本文中,我们在ILSVRC15数据集上为视频中的目标检测配备了一个基本的跟踪算法和一个新的端到端训练的孪生神经网络。我们的跟踪器以超过实时的帧速率运原创 2022-03-10 16:05:49 · 5974 阅读 · 2 评论 -
综述:计算机视觉中的通道注意力机制
综述:计算机视觉中的通道注意力机制这是一篇从数据域的角度,给注意力机制分为六类的综述,涵盖论文数量多。论文题目:Attention Mechanisms in Computer Vision: A Survey论文链接:https://arxiv.org/pdf/2111.07624.pdf论文代码: https://github.com/MenghaoGuo/Awesome-Vision-AttentionsABSTRACT: 人类可以自然有效地在复杂场景中发现显著区域。在这种观察的激励下,注原创 2022-02-28 15:27:53 · 36823 阅读 · 5 评论 -
图像中的注意力机制详解(SEBlock | ECABlock | CBAM)
图像中的注意力机制详解注意力机制目前主要有通道注意力机制和空间注意力机制两种一、 前言我们知道,输入一张图片,神经网络会提取图像特征,每一层都有不同大小的特征图。如图1所示,展示了 VGG网络在提取图像特征时特征图的大小变化。图1 VGG网络特征结构图其中,特征图常见的矩阵形状为[C,H,W]{[C,H,W]}[C,H,W](图1中的数字为[H,W,C]{[H,W,C]}[H,W,C]格式)。当model在training时,特征图的矩阵形状为[B,C,H,W]{[B,C,H,W]}[B,C,H原创 2022-02-24 16:05:41 · 71520 阅读 · 36 评论 -
CVPR2020 MOT TubeTK论文解读
本文提出一种端到端的模型TubeTK,只需一步训练即可,方法为引入Btube(bounding-bute; 边界管)的概念来表示视频片段中待跟踪目标的时空位置。文中提到TubeTK方法具有有效**克服目标遮挡**的能力,且无需使用额外的Re-ID技术。原创 2021-10-22 00:25:46 · 1259 阅读 · 0 评论