sanshibayuan的博客

SOLO v2遵循了SOLO的优雅、简单的设计，并且针对mask的检测效果和运行效率做了两个改进：（1）mask learning：能够更好地学习到mask（2）mask NMS：提出了matrix nms，大大减少了前向推理的时间。最终，SOLOv2相比SOLOv1，AP提升1.9%的同时速度快了33%，light-weight 版本的SOLVv2能够在COCO上达到31.3FPS，37.1%AP。除此之外，SOLO v2还在目标检测和全景分割任务中表现上佳，证实了SOLO的思路有用在更多视觉任务的潜力

CornerNet是ECCV2018的论文，借鉴了人体关键点检测的思路做检测，是一种典型的anchor-free方法。它算是开创了基于点代替检测框的思路。文章比较早了，这里仅作为个人笔记，记录下自己有需要注意的地方。

论文名称：《BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation》论文链接：https://arxiv.org/abs/2001.00309参考代码：暂无写在前面BlendMask是一阶段的密集实例分割方法，结合了Top-down和Bottom-up的方法的思路。它通过在anchor-free检测模型FCOS...

作者源代码已经开源，因此更新了结合作者源代码分析的网络实现部分此外，SOLOv2论文已经发布https://arxiv.org/abs/2003.10152，

目录anchor-free简介anchor-free方法的本质anchor-free为什么能workanchor-free论文汇总基于segmentation方法FCOSFSAFFoveaBox基于keypoint方法CornerNetCenterNetExtremeNet其他论文RepPoints参考本文是我的目标检测笔记的第四部分...

论文名称：《Towards End-to-End Lane Detection an Instance Segmentation Approach》论文链接：https://arxiv.org/abs/1802.05591参考代码（非官方）：https://github.com/MaybeShewill-CV/lanenet-lane-detection综述背景介绍传统车道线检测方...

论文名称：《Focal Loss for Dense Object Detection》论文链接：https://arxiv.org/abs/1708.02002参考代码：Detectron，https://github.com/fizyr/keras-retinanet（Keras实现）综述背景介绍在深度学习之前，经典的物体检测方法为滑动窗口+人工设计的特征。而目前主流的检测算法...

论文名称：《Feature Pyramid Networks for Object Detection》论文链接：https://arxiv.org/abs/1612.03144参考代码(非官方)：https://github.com/jwyang/fpn.pytorch（Pytorch实现）综述多尺度目标检测是计算机视觉领域的一个基础且具挑战性的课题，尤其是在目标检测方面。下图是目前...

本文是我的目标检测笔记的第二部分：Anchor-Based经典检测模型分析，包括对以下经典的目标检测模型的个人总结和理解：Faster R-CNN YOLO 系列 SSD总述下图显示了不同算法的基本框架图，对于Faster R-CNN，其先通过CNN得到候选框，然后再进行分类与回归，而Yolo与SSD可以一步到位完成检测。Faster R-CNNFaster R-CNN是...

目录写在前面问题描述传统方法 VS 深度学习方法发展现状检测流程检测框架(One-Stage & Two-Stage)发展趋势（2019年底）评价指标IoUmAPmAP定义及相关概念mAP计算步骤参考代码（Detectron）参考链接FPS常用数据集PASCAL VOCImageNetCOCO参考文章写在前...

兵荒马乱的秋招结束了，浑浑噩噩地过了几个月，荒废了不少日子，现在打算重新捡起论文来读。这段时间，单阶段实例分割（Single Shot Instance Segmentation）的文章开始大量出现。这篇文章记录一下单阶段实例分割的方法，并简单介绍一下自己印象深刻的几篇论文。

之前的两段实习中，接触到了比较多人像分割的任务。现将这部分内容整理了一下，文章大部分内容写的比较早了，如有问题欢迎指正。本文内容主要分为两大部分：一：通过Segmentation方法做人像分割。这类方法遵循传统的语义分割思路，同时针对人像的特点（如边缘、关键点等）做进一步优化，达到了较好的分割效果，但由于语义分割任务的天生局限性，这类人像分割虽然精度高但往往较为粗糙，因此现在可做的空间并不大，也没什么人做了。二、通过Matting方法做人像分割。这类方法借鉴了图像处理中的ImageMatting问