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

TitleLearning from Noisy Anchors for One-stage Object Detection代码CVPR 2020 camera readySummary目前最先进的目标检测器依赖于回归和分类一系列可能的锚点，这些锚点根据它们与相应的GT的IoU分为正样本和负样本。这样的设置方法会导致歧义性标签的产生，这可能会产生噪音，并且对训练具有挑战性。作者通过设计与锚相关联的cleanliness score来缓解由不完美的标签分配产生的噪声影响。在不增加任何额

LLA论文笔记LLA: Loss-aware Label Assignment for Dense Pedestrian DetectionZheng代码Summary标签分配策略对检测器的性能影响很大，现有研究都是在常规的通用目标检测上做，不适用于密集行人检测场景。作者提出了一种简单有效的分配策略，称为损失感知的标签分配（LLA），以提高人群场景中行人检测的性能。LLA首先计算每个锚点与GT对之间的分类（cls）和回归（reg）损失。然后将联合损失定义为cls和reg损失的加权总和作为分

&TitlePrime Sample Attention in Object Detection代码&Summary在目标检测中的一个普遍认知就是应该平等的对待每个sample和目标。这篇文章研究了不同的样本对于最终结果的影响。作者认为在每个minibatch中的样本既不是独立的也不是同样重要的，所以一个平均的结果并不能意味着是一个更高的mAP。作者提出了Prime Sample的概念并且提出了PISA的方法，主要挂住这些样本的训练过程，实验证明关注prime sample而不

&TitleOverlap Sampler for Region-Based Object Detection代码&Summary在训练过程中，负责识别区域提议网络生成的提议的阶段始终会采用采样启发式方法（例如OHEM，IoU平衡采样）来选择部分示例。 但是如今，现有的采样器忽略了示例之间的重叠，这可能导致保留了一些低质量的预测。为了缓解该问题，我们建议使用“重叠采样器”，该示例根据示例之间的重叠来选择示例，从而使培训可以将重点放在重要示例上。Results：得益于此，F

&TitleGroup Sampling for Scale Invariant Face DetectionCVPR2019&Summary之前的网络结构FPN和SSD，通常使用多个layer的不同空间精度预测不同规模的目标，简言之，高精度图预测小目标；作者发现没有必要使用多个layer来预测不同规模的人脸，关键是要均衡不同规模的正样例和负样例的数量，作者就提出了分组采样方法（a group sampling method），该方法基于不同规模（scale）将所有anchor

&TitleBridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection代码&Summary论文主要阐述了对于正负样本的定义和选取对模型最终效果的影响。首先是对比了anchor_free和anchor_base在选取样本时...

&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...

&Title:SNIPER: Efficient Multi-Scale TrainingSNIPER- Efficient Multi-Scale Training（中文翻译）&Summary目前的目标检测架构都是对输入图像的所有像素进行操作，从而产生proposals等，当采用多尺寸的图像金字塔时，所需的存储空间很大，在训练时，单一GPU上能训练的图像数量很小（取决于G...