本文首发于微信公众号 CVHub，未经授权不得以任何形式售卖或私自转载到其它平台，违者必究！

ImageNet-D数据集包含来自113个数据类别的4835张图像，有着不同的背景（background）、纹理（texture）和材料（material）组成. 和以往的合成数据集相比，ImageNet-D图像质量更高，且生成更为灵活可控。实验结果表明，ImageNet-D数据集有效地降低state-of-art模型的测试准确率，降低幅度最高达60%，包括CLIP，MiniGPT-4和LLaVa

本文简单的为大家介绍了 RT-DETR 模型的一些基本概括，同时演示了如何基于 Python 和 C++ 在本地环境进行部署。完整的项目代码请访问 Github 地址，有任何疑问请加微信: cv_huber，备注“RTDETR”进入交流群讨论。即日起，CVHub正式开通知识星球本星球主打知识问答服务，包括但不仅限于算法原理项目实战职业规划科研思想等。本星球秉持高质量AI技术分享，涵盖：每日优质论文

参赛者需要根据传感器数据序列给出特定时间戳上的无人机位置数据并提交到赛事系统中，根据分类和预测精度得出最终的得分。比赛主要分为两个阶段 算法开发阶段(Dry-run)和最终验证阶段(Testing)。在算法开发阶段（Dry-run）挑战赛提供一个有标签训练集和一个无标签的开发用数据集，参赛者需要在这一阶段完成开发模型，测试结果提交格式等任务。在最终验证阶段（Testing），挑战赛会发布一个最终数

关于导师选择，可以看导师的谷歌学术主页的研究方向，顶刊顶会之外，还可以看h-index（越高越好）。这里安利一下国内可以访问的网站。IEEE Xplore（电子信息类文章较齐全，下载文章需要学校认证）web of science （覆盖学科齐全，适合查看交叉学科和跨学科论文，下载文章需要学校认证）谷粉学术（谷歌学术国内镜像版，免费）semantic scholar（类似于谷歌学术，有论文引用量和被

104万个词条(1,043,224条;原始文件大小1.6G，压缩文件519M；数据更新时间：2019.2.7)数据集下载地址：https://pan.baidu.com/s/1uPMlIY3vhusdnhAge318TA。

本文介绍了Q-YOLO，一种高效的一阶段目标检测器，采用低比特量化方法解决传统量化 YOLO 模型中激活分布不平衡引起的性能下降问题。Q-YOLO 采用全面的后训练量化（PTQ）流程，结合了经过精心设计的基于单边直方图（UH）的激活量化方案。在COCO数据集上进行的广泛实验证明了 Q-YOLO 的有效性。它在准确性和计算成本之间取得了更好的平衡，优于其他后训练量化方法。这项研究显著推进了在资源有限

本文简单的为大家介绍了 RT-DETR 模型的一些基本概括，同时演示了如何基于 Python 和 C++ 在本地环境进行部署。完整的项目代码请访问 Github 地址，有任何疑问请加微信: cv_huber，备注“RTDETR”进入交流群讨论。即日起，CVHub正式开通知识星球本星球主打知识问答服务，包括但不仅限于算法原理项目实战职业规划科研思想等。本星球秉持高质量AI技术分享，涵盖：每日优质论文

基于此，我们提出了高性能、全稀疏的 SparseBEV 模型。我们还提供了采样点的可视化（第一行是当前帧，二三两行是历史前两帧），可以看到，SparseBEV 的采样点精准捕捉到了场景中不同尺度的物体（即在空间上具备适应性），且对于不同运动速度的物体也能很好的对齐（即在时间上具备适应性）。在验证集的小规模的 Setting（ResNet50，704x256）下，SparseBEV 能取得 55.8

特别地，已知的问题是先验框与目标区域之间的重叠较低，导致了优化的样本池受限，而区分性信息的匮乏进一步加剧了识别问题。然后，通过在传统的检测头部引入了一个特征模仿（FI）分支，以一种模仿的方式促进困扰模型的尺寸受限实例的区域表示。，这是一个针对小目标检测的两阶段框架，基于由粗到细的流程和特征模仿学习。首先，作者引入了粗到细RPN（CRPN），通过动态锚点选择策略和级联回归来确保小物体的足够高质量的。