摘要：
早期目标检测研究以anchor-based为主，设定初始anchor，预测anchor的修正值，分为two-stage目标检测与one-stage目标检测，分别以Faster R-CNN和SSD作为代表。后来，有研究者觉得初始anchor的设定对准确率的影响很大，而且很难找到完美的预设anchor， 阅读全文
摘要：
早期目标检测研究以anchor-based为主，设定初始anchor，预测anchor的修正值，分为two-stage目标检测与one-stage目标检测，分别以Faster R-CNN和SSD作为代表。后来，有研究者觉得初始anchor的设定对准确率的影响很大，而且很难找到完美的预设anchor， 阅读全文
摘要：
Non-local操作是早期self-attention在视觉任务上的尝试，核心在于依照相似度加权其它特征对当前特征进行增强，实现方式十分简洁，为后续的很多相关研究提供了参考 来源：晓飞的算法工程笔记 公众号 论文: Non-local Neural Networks 论文地址：https://ar 阅读全文
摘要：
论文提出了基于注意力的BVR模块，能够融合预测框、中心点和角点三种目标表示方式，并且能够无缝地嵌入到各种目标检测算法中，带来不错的收益 来源：晓飞的算法工程笔记 公众号 论文: RelationNet++: Bridging Visual Representations for Object Det 阅读全文
摘要：
轻量级网络的核心是在尽量保持精度的前提下，从体积和速度两方面对网络进行轻量化改造，本文对轻量级网络进行简述，主要涉及以下网络： SqueezeNet系列 ShuffleNet系列 MnasNet MobileNet系列 CondenseNet ESPNet系列 ChannelNets PeleeNe 阅读全文
摘要：
论文基于NLP的注意力机制提出了目标关系模块，通过与其它目标的比对增强当前目标的特征，而且还可以代替NMS进行端到端的重复结果去除，思想十分新颖，效果也不错 来源：晓飞的算法工程笔记 公众号 论文: Relation Networks for Object Detection 论文地址：https: 阅读全文
摘要：
为了高效地学习准确的预测框及其分布，论文对Focal loss进行拓展，提出了能够优化连续值目标的Generalized Focal loss，包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示，DF 阅读全文
摘要：
本文是对FCOS的小修小改，最终性能达到了50.4AP，可谓相当强劲了，大家在工程上可以参考其中的改进以及提升方法 来源：晓飞的算法工程笔记 公众号 论文: FCOS: A Simple and Strong Anchor-freeObject Detector 论文地址：https://arxiv 阅读全文
摘要：
Guided Anchoring通过在线生成anchor的方式解决常规手工预设anchor存在的问题，以及能够根据生成的anchor自适应特征，在嵌入方面提供了两种实施方法，是一个很完整的解决方案 来源：晓飞的算法工程笔记 公众号 论文: Region Proposal by Guided Anch 阅读全文
摘要：
作为与FCOS和FSAF同期的Anchor-free论文，FoveaBox在整体结构上也是基于DenseBox加FPN的策略，主要差别在于FoveaBox只使用目标中心区域进行预测且回归预测的是归一化后的偏移值，还有根据目标尺寸选择FPN的多层进行训练，大家可以学习下 来源：晓飞的算法工程笔记 公众 阅读全文