逆熵而行

既EfficientNet之后，Tan Mingxing等人再接再厉，在物体检测领域的特征融合和检测头等部分也采用了相似的方法进行研究和搜索，提出了EfficientDet的网络，在COCO数据集上吊打其他方法。EfficientDet主要有两个创新点，一个是FPN的加强版BiFPN，另一个是混合缩放。混合缩放和EfficientNet的思想高度相似，只是混合缩放的变量不一样。方法BiFPN图1是几种常见的Neck特征融合方法。其中(a)(a)(a)是最早的FPN的方法，就是把深层的特征信息从top-

在Redmon宣布退出CV界后，YOLO算法的大棒由中国台湾的学者接力，并在今年推出了YOLOv4算法。和之前的版本一样，YOLOv4也是一个one-stage的物体检测方法，在YOLOv3的基础上，YOLOv4修改了Backbone网络，添加了新的Neck融合方法，并且从通用和专用的角度加入了一些新的技巧，有效地提升了算法的检测精度，同时提高了检测速度。方法Backbone对于GPU，综合考虑了网络输入的分辨率、卷积层数、参数量和卷积输出通道数等，论文选择的是Darknet53的改进版CSPDark

引言前不久Redmon宣布将退出视觉的研究，让许多YOLO算法的爱好者遗憾不已。YOLO算法是一种经典one-stage的物体检测算法，自从出道以来，就以检测速度著称，但是v1和v2版本的算法检测精度偏低，比two-stage方法低太多，而且由于算法本身的设计问题，导致小目标经常无法检测到。Redmon在2018年重新改进了该算法，主要包括引进了FPN的网络设计和检测头部，改善了损失函数和先...

视频目标检测，相对于图片目标检测，最大的特点就是增加了上下文的信息，视频的每一帧图片有上下文的连接对应关系和相似性。由于有上下文的关系，所以可以利用前后帧的检测结果，提升当前帧的检测精度；由于前后帧具有相似连续性，所以可以利用冗余信息加快每一帧的检测速度。目前大部分的论文都把视频帧分成关键帧和非关键帧两部分，关键帧的选取有两种方法：一种是间隔固定的帧数选取，另一种是自适应的方法选取。关键帧上的目...