如图 4 展示了 RetinaNet+FSAF 的结构，RetinaNet 的 backbone 和其他尺度的层被折叠了，只展示了使用的三层，每层后面都分别使用了 cls 和 reg 子网络。推理阶段：在每个 level 中选择前 1k 个框，保留大于 0.05 的框，和 anchor-based 得到的结果混合起来，使用阈值为 0.5 的 NMS 过滤，即为最终结果。如图 7 所示，说明了 FS

虽然 GIoU 可以通过移除未相交的框来缓解提的消失的情况，但如图 1 所示，GIoU loss 首先会提升预测框的大小，使得其和 gt 框有相交，然后公式 3 就能够用来最小化相交面积。所以 GIoU loss 会产生一些不准确的检测。作者为了更加全面的分析距离、尺度、纵横比在 bbox 之间的关系，选取了 7 种不同纵横比的 unit box（即面积为 1），纵横比分别为（1:4, 1:3,

norm loss，其二是 IoU loss。IoU-based loss 从 IoU 到 GIoU，再到 DIoU 和 CIoU，在逐步改进，但形式过多，太过繁杂，每种形式都有其各自的优缺点。有了上面的形式后，作者对不同的 IoU-based 方法做了如下形式的统一，其实这些 IoU-based loss 都可以看做是。可视化了在 PASCAL 上使用不同 IoU loss 得到的框和真实框的

CARL 通过在回归 loss 中引入分类得分的方法，将分类得分和回归分支联合起来，回归质量低的样本的分类得分会被抑制，回归质量高的样本的分类得分会被增强，如图 8 所示，相比 FPN，CARL 能够增强 high IoU 样本的分类得分，抑制 low IoU 样本的分类得分。对于一个分类器，期望的是其能够对重要的样本输出更高的得分，而回归器的输出又决定了一个样本是不是重要，所以，分类和回归是有一

大型目标检测数据集（如 COCO）的标注框都是比较清晰准确的，但也会存在一些模棱两可的情况，加大标注的难度。如图 1a 和 1c 所示，当目标被部分遮挡且边界很不清晰的时候，标注框就很难判定。.........

论文：FCOS: Fully Convolutional One-Stage Object Detection代码：https://github.com/aim-uofa/AdelaiDet/tree/master/configs/FCOS-Detection出处：ICCV2019FCOS 贡献：当时主流的目标检测算法，如 Faster RCNN、SSD、YOLOv2/v3 等，都是基于 prop

文章目录一、背景二、动机三、方法3.1 IACS——IoU-Aware Classification Score3.2 Varifocal loss3.3 Star-Shaped Box Feature Representation4.4 Bounding-box refinement4.5 VarifocalNet四、效果五、代码5.1 修改数据集路径5.2 VFNet代码已开源：https:/

一、写作建议顺序及注意事项1、提炼motivationMotivation是重中之重，intro和abstract都基于此最重要的Motivation往往只有一点即可，全文都围绕着一个最尖锐的问题，然后motivation就是基于该最尖锐的问题衍生而来2、题目关键字提炼题目关键字非常重要，题目的关键字也就是全文的关键字，abstract和intro等都会基于该关键字来展开描述3、写abstract

glob 模块在 python3.5 之后就支持了匹配所有子文件夹下对应的文件。

本文主要介绍 MMOCR 相关内容