论文阅读
文章平均质量分 65
Belouga-
拂彼白石,弹吾素琴。幽涧愀兮流水深,善手明徽高张清。
展开
-
CVPR2021 三维目标检测(3D object detection)
[1] 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection(利用IoU预测进行半监督3D对象检测)[论文地址](https://arxiv.org/pdf/2012.04355.pdf)[代码地址](https://github.com/THU17cyz/3DIoUMatch)[2] Categorical Depth Distribution Network for Monocular 3D O原创 2021-04-10 10:07:02 · 3609 阅读 · 0 评论 -
Mean teachers are better role models
学习记录介绍Mean Teacher论文链接:https://arxiv.org/pdf/1703.01780.pdfMean Teacher 模型主要想解决 Temporal ensembling Model 的一个突出问题,即无标签数据的信息只能在下一次 epoch 时才能更新到模型中。由此带来两个问题:大数据集下,模型更新缓慢;无法实现模型的在线训练;这一模型的核心思想是:模型既充当学生,又充当老师。作为老师,用来产生学生学习时的目标;作为学生,则利用教师模型产生的目标来进行学原创 2021-01-03 14:13:08 · 1169 阅读 · 2 评论 -
论文基础知识
一. 可变形卷积CNNs对大型,未知形状变换的建模存在固有的缺陷,这种缺陷来源于CNNs模块固有的几何结构:卷积单元对输入特征图的固定位置进行采样;池化层以固定的比例进行池化;即使是ROI pooling也是将ROI分割到固定的bin中去。这些特性是有影响的,例如,在同一层Conv中,所有的激活单元的感受野是一样的,但由于不同位置可能对应着不同尺度或变形的物体,因此对尺度或者感受野大小进行自适应是进行精确定位所需要的。为了解决或者减轻这个问题, 提出了两种新的模块,可变形卷积(deformable co原创 2020-11-30 09:54:19 · 394 阅读 · 1 评论 -
Graph Neural Network 图神经网络笔记
这里写目录标题**GraphSAGE (Inductive Representation Learning on Large Graphs, NIPS2017)**1. Embedding generation2. Aggregator Architectures3. Learning the parameters4. 实验5. 思考**GAT (Graph Attention Networks, ICLR2018)**1. 概念2. 计算图注意力系数(attention coefficient)3. 聚合原创 2020-11-16 22:30:54 · 840 阅读 · 0 评论 -
VoteNet 笔记
VoteNet前言:1.论文介绍&相关工作2.Deep Hough Voting3.VoteNet 结构3.1 通过点云产生 投票(vote)3.2 区域提议,从投票结果分类4.损失函数前言:Deep Hough Voting for 3D Object Detection in Point Clouds重新设计了一种利用raw point cloud data的方式来做,既不依赖于2D检测器的性能,也不会出现为了照顾计算量导致的细节数据丢失。那么为什么原来直接利用点云的方法没有得到如此高的精原创 2020-11-18 11:06:47 · 2156 阅读 · 2 评论 -
论文阅读速记:PointRCNN:3D Object Proposal Generation and Detection from Point Cloud
PointRCNN两阶段:一、 通过点云分割自下而上生成3D提案二、点云区域池化三、规范3D边界框优化原始点云的3D目标检测,只用点云作为输入。提出一种新的3D物体检测器,用于从原始点云中检测3D物体。所提出的Stage-1网络以自下而上的方式直接从点云生成3D方案,比以前的方案生成方法具有更高的召回率。Stage-2网络将语义特征和局部空间特征结合起来,在规范坐标中对提案进行了优化。此外,新提出的基于bin的损失证明了它在三维边界框回归中的有效性。两阶段:第一阶段:自下而上的3D proposal原创 2020-10-25 20:26:13 · 1453 阅读 · 0 评论