风行

(一) 本文需要解决的问题DETR具有slow convergence以及limited feature spatial resolution原始的DETR模型存在的问题：训练时间长,需要500个epoch才能够收敛对小目标检测能力相对较弱在初始化时,Attention modules接近是均匀分布，需要长时间的训练才能将其转变为sparse meaningful locationsattention weight这边的权重计算是二次复杂度的，对于高分辨率图来说是高计算和高内存消耗的。De

(一) Title论文地址:https://arxiv.org/abs/2111.10780项目地址:https://github.com/lzh420202/FCOSR(二) Summary研究背景:现有的基于anchor-based方法的旋转框检测算法需要手动设置预设框,引入了额外的超参数和计算。基于anchor-free的方法通常具有复杂的体系结构,不容易部署。本文方法:本文提出了一个一阶段的带有角度旋转的检测框架FCOSR,一看就是基于FCOS架构,并且将二维高斯分布也引入进来

(一) Title论文地址：https://arxiv.org/pdf/2110.06864.pdf代码地址：https://github.com/ifzhang/ByteTrack前言：截止20211019在MOT17上为SOTA,刚刚看源码的时候被项目的详细程度惊艳到了,而且猛然发现本作一作也是原来FairMOT的一作,不愧是大佬啊,忒强了(二) Summary背景介绍MOT的任务是estimating bounding boxes and identities of objects。从

FairMOT论文笔记（一）Title（二）Summary（三）Research Obejct（四）Problem Statement（五）Method5.1 backbone5.2 Object Detection Branch5.3 Identity Embedding Branch5.4 Loss Functions5.5 在线跟踪（六）Experiment6.1 数据集6.2 实现细节实验1实验2 Multi-Layer Aggregation的影响实验3 对Re-ID特征维度的选择实验4 和Sta

（一）Title论文地址：https://arxiv.org/abs/1909.00700代码地址：https://github.com/ZJULearning/ttfnet前言：Light-head，anchor-free，single-stage，TTFNet，作者在文中不断提及encode training samples plays a similar role as increasing the batch size，（二）Summary为了取得训练时间、推理速度以及精度之间的平衡，作

End-to-End Object Detection with Fully Convolutional Network阅读笔记（一）Title（二）Summary（三）Research Object（四）Problem Statement（五）Method5.1 Prediction-aware One-to-one Label Assignment5.2 3D Max Filtering5.3 Auxiliary Loss(辅助损失)（六）Experiment6.1 label assignment A

（一）Title FCOS论文阅读笔记（二）Summary本文提出一种fully convolutional one-stage object detector(FCOS)，以每像素预测（per-pixel prediction）的方式解决目标检测，类似于语义分割。几乎所有的state-of-the-art object detectors，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于pre-defined anchor boxes。相比之下，我们论文中提出的

CenterNet论文阅读笔记（一）Title（二）Summary（三）Research Objective（四）Problem Statement（五）Method5.1 Loss Fuction5.2 网络架构和inference5.2.1 目标检测任务5.2.2 3D目标检测任务5.2.3 人体位姿估计（六）实现上的一些细节问题6.1 训练阶段6.2 Inference阶段（七）实验实验1实验2实验3实验4实验5实验5.1实验5.2实验5.3实验5.4实验5.5实验6实验7（八）Notes1. 本文中

CornerNet-Lite论文——不好意思我是CornerNet-Saccade（一）Title（二）Summary（三）Research Objective（四）Problem Statement（五）Method1. CornerNet-Saccade2. CornerNet-Squeeze（六）实验1.实验一2.实验二3. 实验三4. 实验四5. 实验五（七）Notes1.目标检测中的Saccades是什么？2. CornerNet-Saccades怎么估计目标的位置？3. CornerNet-Sa

（一）Title CornerNet: Detecting Objects as Paired Keypoints论文翻译 CornerNet: Detecting Objects as Paired Keypoints论文笔记（二）Summary作者提出CornerNet，一种新的目标检测方法，使用单个卷积神经网络将目标的边界框看作一对关键点，即左上角和右下角。通过将物体检测看成关键点对估计问题，消除了在one-stage目标检测任务中需要设计a set of anchor boxes的需要