公众号内容拓展学习笔记(2021.5.1)
📎 今日要点
-
最强无监督行人重识别方法 Cluster Contrast ReID,精度超越有监督算法 ⭐️⭐️
- Abstract: 无监督行人重识别Cluster Contrast ReID,达到SOTA
- Paper: Cluster Contrast for Unsupervised Person Re-Identification
- Code: https://github.com/alibaba/cluster-contrast-reid
- Tips: Cluster Contrast核心就是在人的维度上去进行特征的提取和更新,从而将特征的更新速度与图片数量进行解耦,让算法工程师能够在ID的层面对模型进行调优。
-
2位华人博士联手设计全景分割流水线,分辨率高达51.3% ⭐️⭐️
- Abstract: 一种端到端的全景分割网络MaX-DeepLab
- Paper: MaX-DeepLab: End-to-End Panoptic Segmentation with Mask Transformers
- Tips: 端到端,结合了CNN与Transformer,缩小了box与box-free方法之间的差距,SOTA
-
陈丹琦组最新力作:仅需dropout两次的对比学习框架 ⭐️⭐️
- Abstract: 前几天推的是SimCSE在中文的实验,今天讲的是对比学习SimCSE本尊
- Paper: SimCSE: Simple Contrastive Learning of Sentence Embeddings
- Code: https://github.com/princeton-nlp/SimCSE
- Tips: 核心思想是缩短两个正样本之间的距离,拉大负样本之间的距离,从而得到输入更好的表示。
-
- Abstract: 实现平衡学习的目标检测框架Libra R-CNN
- Paper: Libra R-CNN: Towards Balanced Learning for Object Detection
- Tips: Libra R-CNN借助简单但有效的组件,即IoU平衡采样、平衡特征金字塔和平衡L1损失,实现了更准确的目标检测
-
PFLD:高精度实时人脸关键点检测算法 ⭐️⭐️
- Abstract: 高精度实时人脸关键点检测算法PFLD
- Paper: PFLD: A Practical Facial Landmark Detector
- Tips: backbone采用轻量级网络,自定义一个辅助网络获取旋转信息,设计了一个新的损失算法来解决几何正则化和数据不平衡问题
-
用Python+OpenCV实现自动驾驶汽车的车道线检测 ⭐️⭐️
- Abstract: 使用Python+OpenCV实现自动驾驶汽车的车道线检测
- Code: https://github.com/pdhruv93/computer-vision/tree/main/lane-detection-self-driving
- Tips: 基于OpenCV的车道线检测,思路清晰简洁,在深度学习的浪潮里,这种的小酌一下很嗨
-
自动驾驶中的深度学习 ⭐️⭐️
- Abstract: 在当前火热的自动驾驶中,用到了哪些深度学习技术
- Tips:
- 在 感知(Perception) 中, 你发现周围的环境和障碍。
- 在 定位(Localization) 中, 你在世界中确定了自己的位置,精度在 1-3 cm。
- 在 规划(Planning) 中, 你利用感知和定位,确定了从 A 到 B 的轨迹。
- 在 控制(Control) 中, 你产生方向盘转向角度和加速度值来沿着轨迹行进。