m0_63520910的博客

深度卷积网络好在哪里？-----它可以加很多层，把网络变得很深，不同程度的层可以得到不同等级的特征。 作者提出一个问题--一个网络只是简单的堆叠就好了嘛？——不是，当网络变得很深的时候，梯度会出现爆炸或者消失。一个解决方法，初始化时设置一个合适的权重，不要太大也不要太小。又或者在中间加入normalization（包括BN）,可以使得校验每个层之间的那些输出和它梯度的那些均值和方差。上述两个方法可以让网络收敛，但是网络变深后，性能会变差（不是过拟合造成的，因为训练误差和测试误差都会变得很差），所以现在网络虽

新的类别分类和表示之间的隐含矛盾被忽略了，这个矛盾是——为了将类彼此分开，两个基类中的任何一个基类都需要彼此相距较远(max-margin))，这聚合了新类的类内距离。为了准确地表示新类，基类的分布应该接近新类的分布(min-margin)，这提高了分类的难度。如下图即如何在分类和表示中取得平衡，是一个问题。 因此作者提出CME，优化特征空间划分和novel类表示。对于训练和微调阶段所用的数据集dataset D都被分为支持集和询问集，具体如下图：该个网络结构由两个分支组成，即支持集分支和询问集分支。支持集

是对Sparse R-CNN的改进Sparse R-CNN是近期通过对稀疏，可学习提议框和提议特征进行集合预测的一种强大的目标检测方法。在该篇文章中，提出了两种动态设计（DLA和DPG）来改进Sparse R-CNN。为什么：作者认为在Sparse R-CNN中基于匈牙利算法的一对一匹配不是最优的，所以提出一个多对一分配的假设来更有效地优化proposals并促进检测器训练。实现：遵循基于 CNN 的方法 ， 并在 Transformer 中应用最优传输分配（OTA）。OTA 是一种探索检测框应如何与基本事

论文笔记

generalized focal loss论文笔记见为什么提出focal foss是因为先验框，对于一阶段目标检测器，存在非常多的先验框，因为它会将输入的图片划分为不同大小的网格，然后网格里包括很多先验框。比如SSD，包含了8732个先验框，但是只有五六个先验框真实包含目标，即正样本，所以导致了正负样本非常不平衡，SSD采取的方法控制正负样本的比例，使为1:3，有一定效果，但有待改进。Focal loss提出利用权重来控制正负样本。什么是Focal lossFocal loss是何恺明大神

Zhengxia Zou, Zhenwei Shi, Member, IEEE, Yuhong Guo, and Jieping Ye, Senior Member, IEEE论文获取：https://arxiv.org/abs/1905.05055v2摘要：目标检测作为计算机视觉中最基本、最具挑战性的问题之一，近年来受到了广泛的关注。它在过去二十年的发展可以说是计算机视觉历史的缩影。如果我们把今天的物体检测看作是深度学习力量下的一种技术美学，那么让时光倒流20年，我们将见证冷兵器时代的智慧。本文从

会议：CVPR 2021论文：https://arxiv.org/pdf/2012.03544.pdf代码：GitHub - Megvii-BaseDetection/DeFCN: End-to-End Object Detection with Fully Convolutional Network干什么怎么干结论创新点

对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的。研究了什么是对三维目标的检测，准确来说，是加入了对上下文环境后对三维目标的检测。这样提高了检测的准确性。研究方法是什么应该是VoteNet的改进。以VoteNet为基本方法，加入了三个子模块，分别为PPC,OOC,GSC模块。过程是什么整体结构分为了：特征提取模块、上下文模块、抑制模块（和...

来自B站视频​​​​​​【论文复现代码数据集见置顶评论】3小时高效复现CV计算机视觉经典论文！论文精讲&代码复现：目标检测、图像分类、图像分割、轻量化网络、GAN、OCR_哔哩哔哩_bilibili博客-ImageNet Classification with Deep Convolutional Neural Networks论文解读 - 知乎1、研究背景 AlexNet成功的两个因素，第一个是数据集，第二个是强大的计算资源。AlexNet的研究意义一...

研究了什么根据作者介绍FPN有两个优点-，一是多尺度融合（融合多个低分辨率和高分辨率的输入，获取更好的表示），二是分而治之（根据对象的尺度检测不同级别的对象）。 然后作者就研究这两个优点哪一个对一阶段检测器的贡献程度更大。研究方法是什么研究过程是什么结论是什么...