carry_hjr的博客

2102.09559没大意思，简单问题复杂分析的典型，竞赛中早就用烂了，这不就类似填鸭嘛

readme亏了一波都不知道这个比赛 http://transcriptorium.eu/~htrcontest/MathsICDAR2021/每年12月开始7244 train vs 4028 test，两类，一类是isolated 一类是embeded2107.05534数据集难点:size 变化大ratio变化大不少字符特别小无用背景不少应对方案针对size变化大，用ATSS针对部分字符特别小，把FPN默认的3-7改为2-6 | 这会慢不少针对无用背景少，采用

值得二刷徐融 基于 YOLOv3 的小目标检测算法研究 专硕 - iou介绍和改动南昌大学 快速高效小目标检测网络算法研究 张浩 专硕 - 对目标检测的指标介绍的很好和一些小目标检测的trick吉林大学 基于深度学习的车辆目标检测_文中 学硕 - R-CNN、Fast R-CNN、Faster-RCNN; Yolo V1-V4的综述华南理工 基于轻量级卷积神经网络的交通场景目标检测算法研究 李环 专硕 - 对Pelee和ASFF介绍哈工大 基于深度学习的城市街景实例分割算法研究_黄乐平 专硕

levelC简介为GAN而GAN的代表作，相关探讨可以参见 https://www.zhihu.com/question/64861580没有开源代码，没有在coco上对比 我本人对GAN几乎没有了解，跳过这篇

简介VisDrone 2019 的第七名方案，挺有意思的，精度是27.83，比 https://blog.youkuaiyun.com/carry_hjr/article/details/115492128 里面的 23高了不少有意思的点主体就是centernet + Hourglass-104 效果最好，其余的就是1024 训练, 2048尺度预测，然后flip 和 多尺度 tta...

levelB: 开源了code - https://github.com/kding1225/TDTS-visdrone，ablation study 也还算扎实，等我跑一遍看看intro跑的 VisDrone2019-Det ，对比的是FCOS，精度很低，对应的ICCV workshop官方论文里给的top1是29+，这篇里面的精度是23，对应的top1 找到一篇报导 大致是cascade+dcn+no-local+ensemble，不过现在官网的leadboard给的精度非常高 http://ai

levelC： 大概率没什么用，要有道友跑出效果来请评论introicgip 2017 cited by 121 (20210406)创新将两个层 的特征进行了 cat 或者 sum 然后参与最后的预测，这种往往是没卵用的，看https://blog.youkuaiyun.com/zhangjunhit/article/details/78031452 的评论区 也说实际跑起来没有用...

levelB: 有用吗，几乎没用，不过实验做的很详细简介对coco里面的小目标分布做了详尽的分析，以及为什么fastercnn 系列 small AP很低 给了猜想，然后实验了直接oversample 和 copy-paste 对 small AP的影响，总体small AP是可以涨一个百分点，AP几乎没变化有用的点为什么coco的small精度低First, we observe that there are relatively fewer images that contain smal

评级C: 精度太低，没有开源code可以借鉴的An aerial scene is often flooded with many key objects or contains many objects irrelevant to the scene label, adding more difficulties to aerial image understanding.fusing shallower features such as spatial and structural featu

评级B: 有用，针对区域比较集中的数据集 应该有用简介wad 2018 的 top1 技术报告，这个比赛 https://www.kaggle.com/c/cvpr-2018-autonomous-driving/leaderboard 数据量很大，而且基本没有钱，基本没什么人参加创新主干 Maskrcnn自定义anchor8 ∗ [[1, 2], [4, 8], [16, 24], [32, 64], [128, 256]] 涨点明显coco预训练数据量太大了，coco预训练收敛快点F

简介https://captain-whu.github.io/iSAID/dataset.html实验室夏老师他们弄得 ，19年暑假的时候看到同学在弄这个网站，基于DOTA的image 包含了更精细的语义分割标注 和实例分割标注，因为是航拍数据，具有尺度变化性，而且基本都看的清，标的也很精细，感觉还挺有意思的，cvpr2019的workshop有意思的地方Dingjian 魔改了下PANet和 MaskRCNN 涨了很多点，不知道除了尺度外改了什么，莫非做了数据均衡数据分布面积比较均衡除了sm

评级待跑一遍代码后评定简介实验室郑卓学长的cvpr2020，感觉应该有点用，之前听他的ppt感觉很有底气创新Foreground-Scene Relation ModuleForeground-Aware Optimization还有些不能算创新点算网络介绍的 多分支编码和解码器设计看论文故事讲的很好，对网络的介绍也可以写的有公式性，可以学习writing sytle, 看代码倒比较简单实验结果不太好说因为对比的结果都是别人论文引用里的，抛开创新在相同的实验trick下进行对比才比较可

评级C简介cvpr workshop 2016, Michael Kampffmeyer， 引用量308创新median frequency reweight感觉没什么用，不一定比直接权重加大效果好网络没什么创新发现改变阈值可以提高acc这不废话嘛

个人评价C 无实用，水创新信息简介2019年的 IEEE Access， 桂林电子科技大学 硕士 Xiaoquan Pan，按理这种水刊是不看的，不过目前cite有24宣称的创新网络结构就是把block用dense架构串起来，这种结构应该不如unet+resnet，可能比最原始的unet好一点，感觉不如unet++魔改loss权重由类别频率的中位数 / 频率，然后接了个类focal大概率不如直接给数量少的权重赋值为2...