AI速递

我们提出了一种新的基于边界质量的分割评价方法——边界交-并。我们对不同的错误类型和对象大小进行了广泛的分析，结果表明，对于较大的对象，边界IoU比标准的掩码IoU测量对边界错误更加敏感，并且不会过度惩罚较小对象的错误。新的质量度量显示了几个令人满意的特征，如对称的w.r.t .预测/基本真理对和跨尺度的平衡响应，这使得它比其他边界聚焦度量更适合于分割评估。基于边界IoU，我们通过分别提出边界AP(平均精度)和边界PQ(全景质量)度量来更新实例和全景分割任务的标准评估协议。我们的实验表明，新的评估指标跟踪边.

面向语义分割的无源领域自适应Source-Free Domain Adaptation for Semantic SegmentationY uang Liu , Wei Zhang*, Jun Wang*East China Normal University, Shanghai, China{frankliu624, zhangwei.thu2011, wongjun}@http://gmail.com无监督领域自适应(UDA)可以解决基于卷积神经网络(CNN)的语义分割方法严重依赖像素级标

摘 要：Mask R-CNN是现阶段实例分割相对成熟的方法，针对Mask R-CNN算法当中还存在的分割边界精度以及对于模糊图片鲁棒性较差等问题，该文提出一种基于改进的Mask R-CNN实例分割方法。该方法首先提出在Mask分支上使用卷积化条件随机场(ConvCRF)来优化Mask分支对于候选区域进一步分割，并使用FCN-ConvCRF分支来代替原有分支；之后提出新锚点大小和IOU标准，使得RPN候选框能够涵盖所有实例区域；最后使用一种添加部分经过转换网络转换的数据进行训练的方法。总的mAP值与原算法

CUDA Tutorial – Cryptanalysis of Classical Ciphers Using Modern GPUs and CUDACUDA教程–古典密码学分析使用现代GPU和CUDA的密码1 介绍CUDA（以前是Compute Unified Device Architecture的缩写）是一种Nvidia创建的并行计算平台和API模型允许软件开发人员可以使用支持CUDA的图形处理单元（GPU）进行常规目的处理1在本教程中，我们以易于理解的方式介绍了CUDA概念。互动方式。

Unmanned Aerial Vehicle Visual Detection and Tracking using DeepNeural Networks: A Performance Benchmark深度无人机的视觉检测与跟踪神经网络：性能基准摘要—无人机（UAV）可能会造成由于疏忽和疏忽造成的重大航空安全风险恶意使用。因此，自动检测和跟踪无人机是空中安全系统的一项基本任务。无人机检测的常见技术包括可见带以及红外热成像，射频和雷达。深度神经网络（DNN）用于基于图像的对象检测的最新进展为将视觉

DRANet: Disentangling Representation and Adaptation Networksfor Unsupervised Cross-Domain Adaptation分解表示和适应网络用于无监督的跨域自适应 https://arxiv.org/pdf/2103.13447.pdf文献路径在本文中，我们提出了一种网络架构DRANet解开图像表示并转移潜在空间中的视觉属性，用于无监督的跨域自适应。与现有的域适应不同学习共享域相关功能的方法，DRANet保留了每个

USB: Universal-Scale Object Detection Benchmark通用尺度物体检测基准基准（例如COCO）在对象中起着至关重要的作用检测。但是，现有的基准是不够的规模变化，他们的协议不足以公平的比较。在本文中，我们介绍了UniversalScale对象检测基准（USB）。USB通过整合USB在对象比例和图像域方面有所变化COCO与最近提出的Waymo开放数据集和Manga109-s数据集。为了进行公平的比较，我们通过定义多个阈值来建议USB协议训练纪元和评估图像分辨率。通过

Searching Loss Functions from Scratch for Generic Tasks从头开始寻找通用任务的损失函数自动化方面已取得重大进展深度网络中各种组件的设计。但是，针对一般任务的损失函数的自动设计各种评估指标的研究仍不足。以前有关手工制作损失功能的工作严重依赖依靠人类的专业知识，这限制了它们的可扩展性。同时，现有的寻找损失函数的努力主要是重点关注特定任务和特定指标，以及特定于任务的试探法。这类作品是否可以延期通用任务的验证和质疑。在这个在本文中，我们提出了AutoLos

End-to-End Trainable Multi-Instance Pose Estimation with TransformersEnd-to-End:带有变压器的端到端可训练多实例姿势估计链接PFD我们提出了一种新的端到端可培训方法，用于结合卷积的多实例姿态估计带变压器的神经网络。我们投射多实例姿势图像估计作为直接集预测问题。受到端到端可训练对象检测的最新工作的启发对于变压器，我们使用变压器编码器-解码器架构以及双向匹配方案来直接使给定图像中所有个体的姿势回归。我们的模型被称为POse E

Generative Minimization Networks: Training GANs Without Competition生成最小化网络：无竞争地训练GAN机器学习中的许多应用可以框架化为最小化问题，并使用基于梯度的技术有效地解决了问题。 然而，生成模型（尤其是GAN）的最新应用引起了人们对求解的兴趣标准优化的最小最大游戏技术通常不适合。 在已知之中从业人员遇到的问题是缺乏收敛保证或收敛到非最佳循环。 这些问题的核心是GAN目标的最小-最大结构，该结构在参与者之间产生了非平凡的依赖关系。 我

HaloNets：Scaling Local Self-Attention For Parameter Efficient Visual Backbones本文提出了两种自注意力的扩展，可以提高模型的速度和准确性。还提出一种新的自注意力模型家族，优于EfficientNet,Vit等，代码即将开源。Scaling Local Self-Attention For Parameter Efficient Visual Backbones由于感受野与参数无关的缩放和内容相关的相互作用，与卷积与参数有关的