公众号内容拓展学习笔记（2022.6.19）

公众号内容拓展学习笔记（2022.6.19）

---

📎 今日要点

1. 改进Yolov5 | 用 GSConv+Slim Neck 一步步 Yolov5 再提升！！！ ⭐️⭐️

   • Abstract: 用 GSConv+Slim Neck 一步步 Yolov5 再提升！！！
   • Paper: Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles
   • Tips: 本文引入了一种新方法 GSConv 来减轻模型的复杂度并保持准确性。GSConv 可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式，Slim-Neck，以实现检测器更高的计算成本效益。

2. 重振PointNet++雄风！PointNeXt：通过改进的模型训练和缩放策略重新审视PointNet++ ⭐️⭐️

   • Abstract: PointNeXt：通过改进的模型训练和缩放策略重新审视PointNet++
   • Paper: PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies
   • Code: https://github.com/guochengqian/pointnext
   • Tips: 在这项工作中首先提出了一组改进的训练策略，显著提高了 PointNet++ 的性能。其次将倒置残差瓶颈设计和可分离 MLP 引入 PointNet++，以实现高效且有效的模型缩放，并提出 PointNeXt，即下一版本的 PointNets。

3. 腾讯Lab：用Transformer振兴CNN骨干网络（附论文源代码下载） ⭐️⭐️

   • Abstract: 腾讯Lab：用Transformer振兴CNN骨干网络（附论文源代码下载）
   • Paper: Revitalizing CNN Attentions via Transformers in Self-Supervised Visual Representation Learning
   • Code: https://github.com/ChongjianGE/CARE
   • Tips: : 本文提出了一个利用 Transformer 结构来辅助 CNN 网络训练的视觉自监督表征学习框架。其核心贡献在于利用一种网络结构的特性（即 Transformer 的注意力提升特性），在训练中监督目标网络（即 CNN 骨干网络），从而使得网络特性能够得到迁移并提升目标网络性能的效果。

4. CVPR：IoU优化——在Anchor-Free中提升目标检测精度（附源码） ⭐️⭐️

   • Abstract: IoU优化——在Anchor-Free中提升目标检测精度（附源码）
   • Paper: Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection
   • Code: https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection
   • Tips: 研究者提出了伪IoU：一个简单的度量，带来更标准化和准确的分配规则到anchor-free目标检测框架没有任何额外的计算成本或额外的训练和测试参数，通过利用训练样本质量良好的有效分配规则使它可以进一步提高anchor-free目标检测，之前已经应用于基于anchor的方法。

5. 详细解读TPH-YOLOv5 | 让目标检测任务中的小目标无处遁形 ⭐️⭐️

   • Abstract: 详细解读TPH-YOLOv5 | 让目标检测任务中的小目标无处遁形
   • Paper: TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios
   • Tips: TPH-YOLOv5在YOLOv5的基础上增加了一个prediction heads 来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了Transformer Prediction Heads(TPH)代替原来的prediction heads。

6. 新技术：高效的自监督视觉预训练，局部遮挡再也不用担心！ ⭐️⭐️

   • Abstract: 新技术：高效的自监督视觉预训练，局部遮挡再也不用担心！
   • Paper: Efficient Self-supervised Vision Pretraining with Local Masked Reconstruction
   • Tips: 研究者提出了局部掩码重建(LoMaR)，这是一种简单而有效的方法，它在简单的Transformer编码器上的7×7补丁的小窗口内执行掩码重建，与全局相比，提高了效率和准确性之间的权衡对整个图像进行掩码重建。

📎 Others

• 由于图片权限问题，GitHub是完整版，可以点点 star
• 星标的数量是与个人相关程度，不代表文章内容的好坏
• 关注我的个人网站
• 关注我的CSDN博客
• 关注我的哔哩哔哩
• 关注我的公众号CV伴读社