摘要：
论文为Google Brain在16年推出的使用强化学习的Neural Architecture Search方法，该方法能够针对数据集搜索构建特定的网络，但需要800卡训练一个月时间。虽然论文的思路有很多改进的地方，但该论文为AutoML的经典之作，为后面很多的研究提供了思路，属于里程碑式的论文， 阅读全文
摘要：
论文提出了类似于dropout作用的diversification block，通过抑制特征图的高响应区域来反向提高模型的特征提取能力，在损失函数方面，提出专注于top k类别的gradient boosting loss来优化训练过程，模型在ResNet 50上提升3.2%，算法思路巧妙，结构易移 阅读全文
摘要：
论文提出了IoU based的DIoU loss和CIoU loss，以及建议使用DIoU NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习 论文:Distance IoU Loss: 阅读全文
摘要：
作者从detector的overfitting at training/quality mismatch at inference问题入手，提出了基于multi stage的Cascade R CNN，该网络结构清晰，效果显著，并且能简单移植到其它detector中，带来2 4%的性能提升 论文: 阅读全文