嘿芝麻的树洞

论文链接：Missing Labels in Object Detection本文主要贡献：在不同丢失程度的instance-level 标签下全监督目标检测（FSOD）的影响。首次提出在全监督和弱监督中间（即：部分监督信息）的训练方式和训练网络。1 在不同丢失程度的instance-level 标签下全监督目标检测（FSOD）的影响1.1 在不同instance-level m...

本文主要贡献：通过分析检测器多示例学习（MIL）的不稳定性，提出了An end-to-end frameworkAn online fusion strategy0 检测器多示例学习（MIL）的不稳定性0.1 不同初始化参数的方法会很大程度上影响proposal的置信度如下图前三列，代表不同初始化参数的MIL-based Detector，可以看出不同分类器所给出的proposal不...

文章目录边角点检测边角点聚集Corner Pooling预测模块结构实验结果论文：https://arxiv.org/abs/1808.01244  先简单回忆一下anchor box。利用anchor box进行bbox检测时，我们一般是对大小为W*H的网格进行操作的。网格中的每个位置作为多个anchor box（比如faster rcnn中每个点有9个anchor box）的中心点，然后预...

FCOS: Fully Convolutional One-Stage Object Detection论文：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1904.01355  Abstract：我们提出了一种全卷积的 one-stage 目标检测器（FCOS），以每像素预测方式解决目标检测，类似于语义分割。几乎所有最先进的目标...

​ 论文：https://arxiv.org/abs/1904.01169​ Abstract：在多个尺度上表示特征对于许多视觉任务非常重要。卷积神经网络（CNN） backbone 的最新进展不断展示出更强的多尺度表示能力，从而在广泛的应用中实现一致的性能提升。然而，大多数现有方法以分层方式（layer-wise）表示多尺度特征。在本文中，我们通过在一个单个残差块内构造分层的残差类连接，为CN...

大伙儿都会发现YOLO v3论文篇幅少，除去参考文献就四面。为了更好的理解yolov3，本人参考了yolov的pytorch版本的代码，进行网络复现：https://github.com/zhiweichen12/YOLO_v3_tutorial_from_scratch0. 先上打印的节点吧~0 convolutional torch.Size([1, 32, 416, 416])1 co...

从零开始用 PyTorch 实现 YOLO (v3) 是什么体验（四）代码基于 Python 3.5, 和 PyTorch 0.4. 代码发布在 Github repo 上。本体验分为5个部分：第1部分：理解 YOLO 的原理第2部分：创建网络结构第3部分：实现网络的前向传递第4部分（本文）：目标分阈值和非极大值抑制第5部分：网络的输入和输出先前准备教程的前3部分关于Py...

从零开始用 PyTorch 实现 YOLO (v3) 是什么体验（三）代码基于 Python 3.5, 和 PyTorch 0.4. 代码发布在 Github repo 上。本体验分为5个部分：第1部分：理解 YOLO 的原理第2部分：创建网络结构第3部分（本文）：实现网络的前向传递第4部分：目标分阈值和非极大值抑制第5部分：网络的输入和输出定义网络如前所述，我们使用 nn....

从零开始用 PyTorch 实现 YOLO (v3) 是什么体验（一）代码基于 Python 3.5, 和 PyTorch 0.4. 代码发布在 Github repo 上。本体验分为5个部分：第1部分（本文）：理解 YOLO 的原理第2部分：创建网络结构第3部分：实现网络的前向传递第4部分：目标分阈值和非极大值抑制第5部分：网络的输入和输出YOLO是神马？YOLO 的全称是...

YOLO-LITE是一种实时目标检测模型，可用于便携式设备，如缺少图形处理单元（GPU）的笔记本电脑或手机。该模型在PASCAL VOC数据集和COCO数据集上训练，分别达到33.81％和12.26％的mAP。YOLO-LITE仅有7层和4.82亿FLOPS，其在非GPU计算机上以大约21 FPS运行，在网页上以10 FPS运行。这个速度比最SOTA的SSD Mobilenet v1快3.8倍。...

主要方法：第一步提取region-level特征，通过在卷积层最顶端插入spatial pyramid pooling layer；然后网络被分成两个数据流从region-level特征后面开始。 第一个数据流跟每个独立区域的类别得分有关 ，进行识别的任务，，第二个数据流，通过计算各个区域概率贡献来进行对比，从而确定出包含有图片中最显著信息的region，这个叫做检测。网络的结构上图所示。...

论文： Webly Supervised Learning Meets Zero-shot Learning: A Hybrid Approach for Fine-grained Classification 链接： http://openaccess.thecvf.com/content_cvpr_2018/CameraReady/3280.pdf  这篇论...

论文：Transductive Unbiased Embedding for Zero-Shot Learning 链接：http://openaccess.thecvf.com/content_cvpr_2018/CameraReady/1369.pdf  这篇文章是来自CVPR 2018的一篇文章，这篇文章主要的贡献是提出了一个偏置损失函数，同时提出了一个端到端的网络。下...

Learning to Segment Every Thing 是发表在 2018CVPR上的一篇论文。主要工作是在mask rcnn中引入迁移学习的思想。