Gorgeous_wxd

论文地址：https://arxiv.org/abs/1805.09512论文代码：https://github.com/CosmiQ/yolt主要针对遥感图像分辨率高，目标尺寸小，目标易聚集，导致检测精度差的问题，改进了YOLOv2，采用切图+多模型集成的方法，取得了不错的效果在高分辨率图像上。这篇文章是做卫星图的目标检测，在YOLO v2算法基础上做了改进得到YOLT（You Only Look Twice）算法，因为卫星图的目标检测和常见的目标检测场景最大的区别在于卫星图像本身尺寸很大（比如1600

太长不看版通俗来说设计了一种新的检测头加入了新的标签分配和新的loss在coco数据集上单模型取得了不错的效果。存在问题单阶段目标检测通常是通过优化两个子任务来实现的：目标分类和定位，使用具有两个并行分支的头部，这可能导致两个任务之间的预测存在一定程度的空间错位。解决方法首先，我们设计了一种新的任务对齐头部(T-Head)，它在学习任务交互特征和任务特定特征之间提供了更好的平衡，并通过任务对齐预测器学习对齐的灵活性提高。其次，我们提出了任务对齐学习(TAL)，通过设计的样本分配方案和`任务对齐

YOLOX诞生背景YOLOv1：开山之作，定下实时高性能目标检测的one-stage框架YOLOv2-YOLOv3：吸收学术界的最新成果，性能持续提升，其主要作用的可能如下：anchor boxesdimension priorsmulti-scalev3里面引入了FPNYOLOv4：集百家之长，不断尝试和优化YOLOv5：命名颇有争议，但性能一直在持续提升，但可能存在不足沿用anchor的概念，同期的anchor free的工作发展的已经比较成熟代码可读性不高，涨点因素不透明

Abstract存在问题由于无人机会在不同的高度飞行，物体的尺度变化剧烈，这给网络的优化带来了负担。高速和低空飞行对排列密集的物体带来了运动模糊，这对物体的区分带来了巨大挑战。文章提出的解决方法增加一个检测头来检测不同规模的对象用Transformer Prediction Heads 来替代原先的检测头用CBAM来寻找具有密集对象的场景中的注意区域除了以上三点，还使用了一些常用的tricks。例如：数据增强，多尺度测试，多模型集成，额外的分类器。结果VisDrone2021挑

文章目录收获摘要引言The TOD Challenge数据集介绍评价方法结果和方法Team baidu ppdetTeam STY-402Team BRiLlian收获top3的解决方案都是比较复杂而臃肿的，如果要想让无人机检测的时候具有较高的FPS，很难做到实时。ATSS对微小物体的正负样本可能不起作用，这点还需要去看论文跑实验验证。摘要提出了一个数据集The TinyPerson dataset用于促进小目标检测领域的发展。The TinyPerson dataset拥有1610张图片

论文Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark代码STTNet想法构建了一个新的大规模的无人机数据集基准。提出了一个新的baseline-STNNet(时空邻域感知网络)，来解决密集人群场景下的检测，跟踪和计数。STNNet主要有两部分组成，Localization subnet和Association subnet根据语义上下文，设计了一个新的loss函数....

文章链接Patch-level Augmentation for Object Detection in Aerial ImagesIDEA首先用正常的切图方法训练自己的检测模型然后，考虑到类别不平衡和几何形状信息，我们剪切数据集中的所有对象实例并将它们粘贴到现有的随机选择的图像中然后使用外部数据集来降低误报率，并应用实例遮罩来有效解决数据集之间的异质性将增强后的图片，在正常切图训练的模型中推理，然后生成含有新的切图包含错误的分类物体。最后使用增强后的图片和正常切图的图片进行重新训练P