最新论文阅读（36）

NoScope: Optimizing Neural Network Queries over Video at Scale

- 2017年3月
- 视频中的目标检测；名为NoScope的检索引擎
-       

　　非常的快。
　　思想：由于视频目标是连续的，里面包含了大量时间局部性（temporal locality，即在不同的时间是相似的）和空间局部性（spatial locality，即同类目标在不同场景中看起来是相似的）。通过以下两点来进行优化：
　　1）Difference Detection：通过跳帧减少目标检测的实际执行开销，跳帧方法包括按照时间、按照相邻帧之间的相似性；
　　2）Model Specialization：针对不同场景（对应不同视角和特定目标），通过训练轻量级CNN来加速单帧检测开销。目的是判断图像中有没有目标”

---

Focal Loss for Dense Object Detection

- 2017年8月
- focal-loss
- FBAR

　　针对one-stage detector 的准确度落后于 two-stage detector，究其原因，最主要是极端 foreground-background 类别失衡。
　　提出通过改变标准交叉熵损失来解决这种类别失衡（class imbalance）问题，从而降低分配给分类清晰的样本的损失的权重。我们提出一种新的损失函数：Focal Loss，将训练集中在一组稀疏的困难样本（hard example），从而避免大量简单负样本在训练的过程中淹没检测器。为了评估该损失的有效性，我们设计并训练了一个简单的密集目标检测器 RetinaNet。
　　ICCV2017的最佳学生论文，针对单阶段目标检测（如SSD）中前景/背景不均衡问题，提出了focal-loss(焦点损失)，函数形式上是交叉熵损失的基础上乘了了一个系数at（控制正负样本对总的loss的共享权重）和focusing参数（是一个指数，来控制容易分类和难分类样本的权重）。