博主回家睡觉了。。。

尺度可转换目标检测 摘要 解决多尺度问题，与以往将来自不同网络深度的多个特征映射的目标预测结合起来的方法不同，本文提出的网络具有嵌入的尺度传递层，以明确探索跨多个检测尺度的尺度间一致性性质。尺度转换模块自然地适用于基本网络，计算量小。STDN得到显著改进。 一.介绍 为了在不影响检测速度的前提下获得高层次的语义多尺度特征图，我们开发了一个尺度转换模块（STM），并将该模块直接嵌入到DenseNet中。STM由池化和规模传输层组成。利用汇聚层获得小比例尺特征图，利用尺度转换层获得大比例尺特征图。 利

尺度感知的三叉目标检测网络 摘要 首先进行感受野对物体检测中尺度变化的影响的探索实验。由探索试验提出Trident Net，构造了一个并行的多分支体系结构，其中每个分支共享参数，具有不同的接受域。采用尺度感知训练方式，在适当尺度的位置上采样对象进行训练，对每个分支进行专门化。带有ResNet-101主干网的TridentNet实现了48.4map。 一.介绍 目标：通过为所有尺度创建具有统一表示能力的特征，从而使得对于不同尺度的物体具有不同的接受场。 本文提出一种新的网络结构，如下图所示c，创建多

DetNet(2018) 一。摘要 现有骨干网络都是为分类任务设计，本文为目标检测专门设计了一个骨干网络DetNet 原因：1.FPN，RetinaNet等目标检测器通常比目标检测任务包含更多阶段，从而处理多尺度目标 2.目标检测任务不仅要对目标进行分类，还要进行定位，大的下采样因子带来大的感受野，利于目标分类，但不利于定位 在更深层中维持高空间分辨率的同时，DetNet 还包含与传统图...

面向目标检测的丰富特征引导细化网络 摘要 提出一个单阶段检测框架，该框架解决了多尺度目标检测和类不平衡的问题。 没有设计更深层网络，而是引入一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。 进一步提出一种级联改进方案，该方案首先将多尺度上下文特征嵌入到单级检测器的预测层中，以增强其对多尺度检测的分辨能力。其次，级联改进方案通过改进锚和丰富特征来改善分类和回归，从而解决了类间的不平衡...

基于学习空间融合的单阶段目标检测 摘要 不同特征尺度之间的不一致性是基于特征金字塔的单阶段检测器的主要缺陷。 本文提出了一种新的基于数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。它学习了空间过滤冲突信息的方法来抑制不一致性，从而提高了特征的尺度不变性，并且开销小。 一介绍 不一致性：大实例通常与上feature map相关联，小实例与下feature map相关联。当...

R-FCN：基于区域的全卷积网络目标检测 摘要 与之前的基于区域的检测器（如fast/faster R-CNN）相比，本检测器几乎与整个图像上共享的所有计算全卷积。 为实现这一目标，提出了位置敏感的分数映射来解决图像分类中的平移不变性和目标检测中的平移方差之间的矛盾。 本结果达到了2.5-20倍于更快的R-CNN。 代码公开于：https://github.com/daijifeng00...

TBC网络：一种基于语义约束的红外小目标实时检测方法（2019.9） 摘要 本文提出一种用于红外小目标检测的轻量级卷积神经网络TBC网络。TBC网络由目标提取模块（TEM）和语义约束模块（SCM）组成，分别用于从红外图像中提取小目标和训练过程中对提取的目标图像进行分类。同时，提出了一种联合损失函数和训练方法。单片机通过结合高级分类任务对TEM进行语义约束，解决了类不平衡导致的特征学习困难的问题...