T5A_318的博客

关键词：样本注意力（2）、NAS（3）单帧目标检测样本注意力Learning a Unifified Sample Weighting Network for Object Detection |code区域采样或加权对现代基于区域的目标探测器的成功至关重要。与以往优化目标函数时只关注硬样本的研究不同，我们认为样本权重应该是与数据和任务相关的。样本对目标函数优化的重要性取决于样本对目标分类和包围盒回归任务的不确定性。为此，我们设计了一个通用的损失函数来覆盖大多数基于区域的目标检测器，并.

AugFPN: Improving Multi-scale Feature Learning for Object Detection论文：https://arxiv.org/pdf/1912.05384.pdf代码：FPN的缺点：(1)特征融合前在进行特征融合之前，不同层次的特征分别进行11卷积层来减少特征通道，其中不考虑这些特征之间存在较大的语义差距。直接融合这些特征会降低多尺度特征代表的能力。(2)特征自顶向下融合，在特征融合中，特征以自顶向下的方式进行传播，利用来自高层特

1. pydict 字典生成