风行

DN-DETR阅读笔记

Channel-wise KD阅读笔记(一) Title(二) Summary(三) Research Object(四) Problem Statement(五) Method5.1 spatial distillation5.2 Channel-wise Distillation(六) Experiments6.1 实验设置6.2 和最近knowledge Distillation方法相比6.3 消融实验6.4 目标检测任务(七) Conclusion(八) Notes8.1 Dense Predict

ProbIoU论文阅读笔记

(一) Title论文地址：https://arxiv.org/abs/2110.11852(二) Summary研究背景本文内容本文进一步探讨了layer aggregation的问题,使得previous layer的信息能够更好地服务于current layer的特征提取。通过引入recurrent layer aggregation(RLA),充分利用CNNs layers的顺序结构,帮助学习图像中的structural information.(三) Research Obje

Learning to Track with Object Permanence阅读笔记(一) Tilte(二) Summary(三) Research Object(四) Problem Statement(五) Method5.1 CenterTrack框架5.2 将pairs frame扩展到video-level model5.3 怎么在完全遮挡情况下进行跟踪呢？5.4 怎么处理真实数据和生成数据之间的gap(六) Experiments6.1 数据集+评价指标6.2 实验设置6.3 消融实验6.3

(一)Title前言：提高tracker的性能，即插即用，无需训练，数据结果表现强劲，????啊。(二) Summary研究背景：目前trackers通过采用多阶段策略改善bounding box估计质量，不过目前方法存在的问题是：limited precisionthe coupling of different stages severely restricts the method‘s transferability本文提出方法提出Alpha-Refine模块，用于提升边界

（一）Title前言：从之前的文献中，大致了解到这篇文献是在YOLOv3的基础上进行的跟踪任务，我们希望能够基于YOLOv3做一部分的跟踪工作，因此，打算对当前的论文记录一个阅读笔记。论文地址：https://arxiv.org/pdf/1909.12605v1.pdf代码地址：https://github.com/Zhongdao/Towards-Realtime-MOT数据集地址：https://github.com/Zhongdao/Towards-Realtime-MOT/blob/m

这里仅仅考虑person类别，如果考虑其他类别，则需要增加类别信息，稍作调整即可。import jsonimport osimport imagesizeimport copydef txt_to_json(img_dir,annotation_dir,json_path,img_format='.jpg',annotation_format='.txt'): # json 文件主要两项内容 json_dict = dict() annotations = list()

起因我们希望能够将深度学习模型移植到嵌入式平台上，但是目前存在的问题是：在我们将要移植的嵌入式平台上是不支持deformable conv的，因此，需要对deformable conv进行替换，然而，我对于这个deformable conv不了解，因此，打算整理下deformable conv的相关内容。deformable conv对应论文：Deformable Convolutional Networks看了两篇文章之后，大概了解了deformable conv DCN干了点啥：其

（一）Title前言：（二）Summary背景概述目标检测中的bounding box回归任务往往采取的方式借助损失去回归bounding boxes的参数(位置/长/宽),但是它并不适用于评估度量(Intersection over Union,IoU)。同时作者指出当前研究者提出的IoU度量(IoU Loss 以及 Generalized IoU Loss)上存在的一些问题：收敛慢slow convergence回归不准确，inaccurate regression主要内容作者在

（一）Title前言:杠杆（二）Summary（三）Research Object（四）Problem Statement（五）Method（六）Experiments（七）Conclusion（八）Notes

首先我们给出论文中关于GIoU的算法叙述计算GIoU的算法过程图示说明这里我们按照GIoU算法过程进行讲解：首先绿色框表示的BpB^pBp,黑色框表示的是BgB^gBg,首先计算IoU和我们熟知的方式相同：IoU=IUI o U=\frac{\mathcal{I}}{\mathcal{U}}IoU=UI​其中III表示上图中的灰色阴影部分，UUU表示的是两个矩形面积之和Ap+AgA^p+A^gAp+Ag去掉两个矩形相交面积III，因此IoU的表示可以用下式：IoU=IU=IAp+Ag

（一）Title论文地址：https://arxiv.org/abs/2011.12885代码地址：https://github.com/implus/GFocalV2前言：GFLv1文章名：Generalized Focal Loss Learning Qualified and Distributed Bounding Boxes for Dense Object Detection。（二）Summary目前Localization Quality Estimation(LQE)在目标检测中

PIoU Loss论文阅读（一）Title（二）Summary（三）Research Object（四）Problem Statement（五）Method5.1 Pixels-IoU(PIoU) Loss（六）Experiment6.1 实验细节6.2 Ablation Study6.3 Benchmark（七）Conclusion（八）Notes8.1 现有的OBB角度回归做法以及我们的做法8.2 Retail50K 数据集介绍（一）Title前言：作者改变前人在进行OBB回归时，使用水平anch

（一）Title（二）Summary作者指出目前single-stage检测器存在的问题：classification score和localization accuracy之间的低相关性使得模型性能无法得到提升，为了解决这个问题，提出了IoU-aware single-stage object detector,核心做法是：对每一个预测的bounding box，同时预测一个IoU，然后用这个IoU乘上classification score作为最终的检测置信度，使用这个检测执行度来进行后续的

（一）Title（二）SummaryOne-stage检测器将目标检测形式化为dense classification和localization。分类通常通过Focal Loss进行优化，bounding box的定位通常利用狄拉克δ分布进行学习。One-stage检测器的最新趋势是引入an individual prediction branch（单独的预测分支）来帮助分类，从而提升检测性能。作者在实践过程中发现了两个问题：在训练和推断阶段，质量评估和分类使用的不一致(即，单独训练但在测试中复

VOC 数据集评价指标是mAP = AP@0.5, 即 IOU=0.5 就算 True Positive；COCO数据集则会计算以下几个AP：AP（默认）：IOU=0.5 到 IOU=0.95， 每隔0.05个IOU计算一次AP，然后求平均值AP （IOU=0.5）， AP（IOU=0.75），两种典型IOU下的APAP（small），AP（medium），AP（large），即小中大三种不同尺度物体的AP值，其中small是指物体面积小于32 x 32， medium是指面积在32 x 32 -

前言Focal Loss前前后后看了好几遍了，总是会忘记，写下来时常看看吧！问题：为什么引入focal loss？focal loss的提出背景是two-stage阶段速度慢，准确率高，可是one-stage阶段速度高，准确率差，能不能想办法在保持one-stage速度高的前提下，提升其准确率呢？引入Focal Loss的思考过程：one-stage准确率为什么不如two-stage的呢？作者认为是类别不均衡造成的，不均衡的原因有两个：正负样本不均衡预测正确和预测错误的不均衡接下来就以完