Felaim的博客

Denoising Training 的核心：生成带噪声的 GT：从真实 GT 添加随机噪声明确的监督信号：这些 noisy anchors 的目标是原始 GT增加正样本：所有 noisy anchors 都是正样本加速收敛：提供更好的训练信号不是真正的"去噪"，而是"从噪声中恢复"噪声尺度需要仔细设计（位置大，尺寸小）使用 attention mask 控制不同 instances 的交互可以显著加速训练并提高性能就像给模型一些"模糊的答案"（带噪声的 GT）

Reference Point 是3D 空间中的一个点特征采样的参考位置：用于从多视角图像特征图中采样特征回归的起始点：用于预测目标边界框的偏移量空间位置的编码：提供位置信息给 Transformer 的 attention 机制特性Sparse4DReference Point 形式单一 3D 点多个 Key Points数量1 个/query多个/anchor (如 9 个)初始化可学习参数从 anchor 生成更新方式逐层迭代更新随 anchor 一起更新采样方式。

Sparse4D 使用时序融合机制来处理多帧数据，通过类管理时序实例和 feature queue。本文将详细解释时序输入和 feature queue 的结构。

CenterNet （Objects as Points）一、背景介绍先说下为啥要写着篇博客，这是2019年检测的一篇文章，非常的火，也非常的好用。就LZ目前接触的几个项目来说，基本上目标检测使用的都是CenterNet中这一套，DBFace，FairMOT等等一系列。可以看到如果检测能够做的很快很好，可以空下很多资源给其下游的应用，如安防、自动驾驶等任务中去。所以，对于现在AI可以落地的一些应用中，检测占了很大一部分的比例。这个结构为什么能够那么火呢？结论是它的速度很快并且精度也很高，所以用的小伙伴

代码准备代码下载地址：https://github.com/amdegroot/ssd.pytorch接下来按照README进行安装，LZ发现真的代码写的好的人，README写的清晰有条理，有些包括LZ在内，都没有养成规范书写 README文档，这个LZ会再接再厉的。1. 环境要求：主要是依赖PyTorch，使用的是Python3+，这个小伙伴就自己配置吧！2. 训练可视化第二步是训...

项目需求，也要入检测的坑啦，SSD早已久仰大名，却始终没有仔细阅读过，今天LZ就做个入门级的paper reading吧，毕竟入坑不久，道行尚浅，如果有理解的不合理的地方，还请小伙伴们批评指正。还有，小伙伴经常会私信我，说对应问题如何解决，其实每个人电脑配置包括安装都不一样，所以可能不能一一解答，望小伙伴们谅解，毕竟个人精力有限。当然这个方法算是比较经典的算法，是2016 ECCV上的pape...

首先，在目标检测中常说到两个名词，“backbone”，“head”?如果小伙伴已经在这个领域摸爬滚打一阵，估计说，这也要说嘛，但是每个人都是从不会到会的，也许一句话，就可以解决别人心中很久的疑惑，对吗？LZ在网上找了个解释，还算是讲的比较清楚的。在许多计算机视觉任务中，backbone是作为一个特征提取器进行使用的，也就是我们常见的在ImageNet,或者COCO等数据集上进行预训练好的...