想太多的学习日志

在本文中，我们提出了一种MSDAM和一种MLFAM，并将它们插入FPN中，以提高不同形状和大小的遥感目标的检测性能。在DIOR和RSOD数据集上进行的大量实验表明，本文提出的方法在检测精度方面优于目前最先进的基线方法。

在本文中，我们提出了一种扩展的金字塔网络来解决小目标检测的问题，它是由类似fpn的框架生成一个专门针对小目标的层。在类fpn框架中嵌入一种新的特征纹理传递模块，通过基于参考的特征级SR有效地捕获扩展金字塔级的更多区域细节。此外，我们引入交叉分辨率蒸馏机制来提高SR特征的质量，其中我们设计了前景-背景-平衡的训练损耗来缓解前景和背景的区域不平衡。在各种数据集上的最新性能表明了EFPN在小目标检测方面的优越性。

表征的深度对于许多视觉识别任务来说是至关重要的。仅由于我们的极深表示，我们获得了28%的相对改进的COCO对象检测数据集。深度残差网络是我们提交给ILSVRC & COCO 2015竞赛1的基础，我们还在ImageNet检测、ImageNet定位、COCO检测和COCO分割任务中获得了第一名。

针对HSRIS目标检测中目标定位的多角度特征，提出了一种基于自适应目标定位特征卷积神经网络（CNN-AOF）的HSRIS目标检测方法。 **首先**，提出了一种自适应的目标定位回归方法，以获得任意方向上的目标区域。 **然后**，利用自适应目标定向回归方法设计了一个用于HSRIS目标检测的CNN框架。 为了验证CNN-AOF的目标检测有效性，本文采用WHU-RSONE-OBB、UCAS-AOD、HSRC2016和DOTA数据集对CNN-AOF和一些现有的目标检测算法进行了定性和定量的比较。 *

在本文中，我们将视觉关系检测视为目标检测、显著性检测和谓词检测这三个相关子任务的组成部分。我们提出了一种新的视觉关系检测网络，即mcn，它深度结合了目标检测、谓词检测和显著性检测。MCN由连接的三个模块组成，一个用来检测对象的对象检测器，一个关系产生器来产生确定关系和不确定关系的关系，以及一个关系预测器来决定显著性得分和预测谓词。

在这项工作中，我们评估了非常深的卷积网络（多达19个权重层），用于大尺度的图像分类。结果表明，表示深度有利于分类精度，并且可以使用传统的ConvNet挑战数据集上实现最先进的性能。大幅增加深度。在附录中，我们还展示了我们的模型可以很好地推广到广泛的任务和数据集，匹配或优于围绕较不深的图像表示构建的更复杂的识别管道。我们的研究结果再次证实了深度在视觉表征中的重要性。