Activewaste

&TitleMutual Supervision for Dense Object DetectionICCV2021代码&Summary作者打破了密集检测器中这两个头的训练样本相同的惯例，探索了一种新的监督范式，即相互监督(MuSu)，分别并相互分配分类和回归头的训练样本以确保这种一致性。MuSu主要根据分类预测分数定义回归头的训练样本，然后根据回归头的定位分数定义分类头的样本。实验结果表明，这种相互监督的方法保证了检测器的收敛性，并在具有挑战性的MS COCO基准上验

&TitleObject Detection Made Simpler by Eliminating Heuristic NMS代码&SummaryMotivation：如果网络只能为图像中的每个实例对象识别一个正样本，那么就没有必要使用NMS。all the locations on the CNN feature maps within the center region of an object are assigned positive labels. As a r

&TitleDynamic R-CNN: Towards High Quality Object Detection via Dynamic Training代码&SummaryDynamic R-CNN是R-CNN系列算法，即两阶段目标检测算法；动态性其实体现在在训练目标检测模型过程中使用动态训练的策略。前面介绍过的Cascade RCNN也可以看作是一种动态训练方法，它在训练过程中不断调整交并比阈值的大小以提高候选框的质量。而论文在训练过程中不仅关注了交并比阈值的动态设置，

&TitlePyramid Feature Attention Network for Saliency detection代码&Summary在显著性检测算法中，如何提取到更有效的特征是该任务的难点之一。为了解决该问题，我们通过金字塔特征注意网络来注意高语义特征和低维空间结构特征。首先，使用上下文感知金字塔特征提取（Context-aware PyramidFeatureExtraction，CPFE）模块对高级多尺度信息捕捉丰富的语义信息。其次，在CPFE模块后加入通

&Title&Summary提出了一个单阶段检测框架，该框架解决了多尺度目标检测和类不平衡的问题。首先提出一个特征丰富模块用来提取上下文特征，将提取的多尺度上下文特征注入到一阶段检测器的预测层中，用来增强检测器的判别能力（丰富特征）。接着，提出了一个级联精炼方法，通过细化锚和丰富的特征 （来自特征丰富模块提取出来的上下文特征）来改善分类和回归。简单理解为：提出了一个级联精...

&TitleSide-Aware Boundary Localization for More Precise Object Detection代码&Summary本文提出Side-Aware Boundary Localization(SABL)以取代传统的bbox回归。提取关注于边界内容的边缘感知特征用来定位。提出使用该特征的轻量级two-step bucketi...

&TitleExtended Feature Pyramid Network for Small Object Detection代码&Summary挑战： 小物体检测仍然是一个尚未解决的挑战，因为很难仅提取几个像素的小物体信息。先前工作： 虽然在特征金字塔网络中进行尺度级别的相应检测可以缓解此问题，但我们发现各种尺度的特征耦合仍然会损害小物体的性能。ours m...

&Title:Focal Loss for Dense Object Detection&SummaryRetinaNet 是目前目标检测最为优秀的方法之一，在COCO数据集上达到了单个模型的state of art 的效果, 由Kaiming He团队所作。作者发现导致one-stage算法性能劣于two-stage算法的主要原因是region proposal时前景和背...

&Title:FCOS: Fully Convolutional One-Stage Object Detection&Summary本文提出了一种全卷积one-stage目标检测算法（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。目前最流行的不论是one-stage目标检测算法，如RetinaNet，SSD，YOLOv3，还是two-stage目标检测...

Title2016 ACM MM UnitBox: An Advanced Object Detection NetworkAbstract传统的目标框含有四个独立的坐标变量，丢失了相互之间的信息，导致AP下降Unit Box 提出了一种新的 IoU 损失函数，将四个变量作为一个整体预测IntrouductinFaster RCnn 依赖于预先设计好的anchor，对小目标无能为力...

&Title:FCOS: Fully Convolutional One-Stage Object Detection&Summary检测不平衡问题包括：样本层面(sample level)、特征层面(feature level)、训练目标层面(objective level)。Libra R-CNN，一个针对目标检测平衡学习的简单有效框架。该框架集成了三个组件：IoU-b...