原创 YOLOv1/v2/v3簡述 | 目標檢測
YOLO系列是目標檢測領域裏十分經典的結構，雖然目前已經出了很多更高質量更復雜的網絡，但YOLO的結構依然可以給算法工程師們帶來很多的啓發。這3篇論文看下來，感覺像是一本調參說明書，教你如何使用各種trick提高手上的目標檢測網
2020-06-16 00:15:21
原创 NASNet : Google Brain經典作，改造搜索空間，性能全面超越人工網絡，繼續領跑NAS領域 | CVPR 2018
論文將搜索空間從整體網絡轉化爲卷積單元(cell)，再按照設定堆疊成新的網絡家族NASNet。不僅降低了搜索的複雜度，從原來的28天縮小到4天，而且搜索出來的結構具有擴展性，在小模型和大模型場景下都能使用更少的參數量和計算量來超
2020-06-16 00:15:21
原创 SEPC：商湯提出使用3D卷積從FPN中提取尺度不變特徵，漲點神器 | CVPR 2020
論文提出PConv爲對特徵金字塔進行3D卷積，配合特定的iBN進行正則化，能夠有效地融合尺度間的內在關係，另外，論文提出SEPC，使用可變形卷積來適應實際特徵間對應的不規律性，保持尺度均衡。PConv和SEPC對SOTA的檢測算
2020-06-16 00:15:10
原创 Circle Loss：從統一的相似性對的優化角度進行深度特徵學習 | CVPR 2020 Oral
論文提出了Circle loss，不僅能夠對類內優化和類間優化進行單獨地處理，還能根據不同的相似度值調整對應的梯度。總體而言，Circle loss更靈活，而且優化目標更明確，在多個實驗上都有較好的表現，個人認爲是一個很好的工作
2020-05-26 11:26:47
原创 DRConv：曠視提出區域感知動態卷積，多任務性能提升 | CVPR 2020
論文提出DRConv，很好地結合了局部共享的思想並且保持平移不變性，包含兩個關鍵結構，從實驗結果來看，DRConv符合設計的預期，在多個任務上都有不錯的性能提升 來源：曉飛的算法工程筆記 公衆號 論文: Dynamic R
2020-05-22 11:44:36
原创 SEPC：使用3D卷積從FPN中提取尺度不變特徵，漲點神器 | CVPR 2020
論文提出PConv爲對特徵金字塔進行3D卷積，配合特定的iBN進行正則化，能夠有效地融合尺度間的內在關係，另外，論文提出SEPC，使用可變形卷積來適應實際特徵間對應的不規律性，保持尺度均衡。PConv和SEPC對SOTA的檢測算
2020-05-14 00:27:04
原创 實用，小物體檢測的有監督特徵級超分辨方法 | ICCV 2019
論文提出新的特徵級超分辨方法用於提升檢測網絡的小物體檢測性能，該方法適用於帶ROI池化的目標檢測算法。在VOC和COCO上的小物體檢測最大有5~6%mAP提升，在Tsinghua-Tencent 100K上的小物體檢測則最大有約
2020-05-09 08:58:44
原创 YOLACT : 首個實時one-stage實例分割模型，29.8mAP/33.5fps | ICCV 2019
論文巧妙地基於one-stage目標檢測算法提出實時實例分割算法YOLACT，整體的架構設計十分輕量，在速度和效果上面達到很好的trade-off。 來源：【曉飛的算法工程筆記】 公衆號 論文: YOLACT: Real-
2020-05-07 21:43:17
2
原创 YOLACT++ : 實時實例分割，從29.8mAP/33.5fps到34.1mAP/33.5fps
YOLACT是首個實時實例分割算法，但是準確率較SOTA差得有點多，YOLACT++從主幹網絡、分支和anchor的3個角度出發對YOLACT進行優化，在保持實時性的前提下提升了5map，論文改進的角度值得參考 來源：曉飛的
2020-05-07 21:43:17
原创 SMASH：經典One-Shot神經網絡搜索，僅需單卡 | ICLR 2018
SMASH方法使用輔助網絡生成次優權重來支持網絡的快速測試，從結果來看，生成的權重與正常訓練的權重在準確率上存在關聯性，整體搜索速度很快，僅需要單卡進行搜索，提供了一個很好的新思路。 來源：曉飛的算法工程筆記 公衆號 論文
2020-04-27 10:50:31
原创 YOLOv4: 雖遲但到，大型調優現場，43mAP/83FPS | 論文速遞
YOLOv4在速度和準確率上都十分優異，作者使用了大量的trick，論文也寫得很紮實，在工程還是學術上都有十分重要的意義，既可以學習如何調參，也可以瞭解目標檢測的trick。 來源：曉飛的算法工程筆記 公衆號 論文: YO
2020-04-25 21:42:43
原创 可變形卷積系列(一) 打破常規，MSRA提出DCNv1 | ICCV 2017 Oral
論文提出可變形卷積幫助模型高效地學習幾何變換能力，能夠簡單地應用到分類模型和檢測模型中，思想新穎，效果顯著，十分值得學習 來源：曉飛的算法工程筆記 公衆號 論文: Deformable Convolutional Netw
2020-04-19 04:55:50
原创 可變形卷積系列(三) Deformable Kernels，創意滿滿的可變形卷積核 | ICLR 2020
論文提出可變形卷積核(DK)來自適應有效感受域，每次進行卷積操作時都從原卷積中採樣出新卷積，是一種新穎的可變形卷積的形式，從實驗來看，是之前方法的一種有力的補充。 來源：曉飛的算法工程筆記 公衆號 論文: Deformab
2020-04-19 04:55:50
原创 可變形卷積系列(二) MSRA提出升級版DCNv2，變形能力更強 | CVPR 2019
論文提出DCNv2，不僅對DCNv1的結構進行了改進，還使用了有效的蒸餾學習策略，使得性能有很大的提升，各個方面都值得借鑑 來源：曉飛的算法工程筆記 公衆號 論文: Deformable ConvNets v2: More
2020-04-19 04:55:50
1
原创 RANet : 分辨率自適應網絡，效果和性能的best trade-off | CVPR 2020
基於對自適應網絡的研究，論文提出了自適應網絡RANet(Resolution Adaptive Network)來進行效果與性能上的取捨，該網絡包含多個不同輸入分辨率和深度的子網，難易樣本的推理會自動使用不同的計算量，並且子網間
2020-04-01 09:50:17