论文:A Dual Weighting Label Assignment Scheme for Object Detection  Anchor作为目标检测器训练的基础单元，需要被赋予正确的分类标签和回归标签，这样的标签指定(LA, label assignment)过程也可认为是损失权重指定过程。对于单个anchor的cls损失计算，可以统一地表示为：  wposw_{pos}wpos​和wne

论文指出one-stage anchor-based和center-based anchor-free检测算法间的差异主要来自于正负样本的选择，基于此提出ATSS(Adaptive Training Sample Selection)方法，该方法能够自动根据GT的相关统计特征选择合适的anchor box作为正样本，在不带来额外计算量和参数的情况下，能够大幅提升模型的性能，十分有用 来源：晓...

作者从detector的overfitting at training/quality mismatch at inference问题入手，提出了基于multi-stage的Cascade R-CNN，该网络结构清晰，效果显著，并且能简单移植到其它detector中，带来2-4%的性能提升论文: Cascade R-CNN: Delving into High Quality Object ...

论文: Dynamic Slimmable Network 模型速度在模型的移动端应用中十分重要，提高模型推理速度的方法有模型剪枝、权值量化、知识蒸馏、模型设计以及动态推理等。其中，动态推理根据输入调整其结构，降低整体计算耗时，包含动态深度和动态维度两个方向。如图2所示，动态网络自动在准确率和计算量之间trade-off，比静态的模型设计和剪枝方法要灵活。 然而，论文发现包含动态维度的网络的实际运

论文提出aging evolution，一个锦标赛选择的变种来优化进化算法，在NASNet搜索空间上，对比强化学习和随机搜索，该算法足够简洁，而且能够更快地搜索到更高质量的模型，论文搜索出的AmoebaNet-A在ImageNet上能达到SOTA 来源：【晓飞的算法工程笔记】 公众号论文: Regularized Evolution for Image Classifier Architectur

论文提出增量式少样本目标检测算法ONCE，与主流的少样本目标检测算法不太一样，目前很多性能高的方法大都基于比对的方式进行有目标的检测，并且需要大量的数据进行模型训练再应用到新类中，要检测所有的类别则需要全部进行比对，十分耗时。而论文是增量式添加类别到模型，以常规的推理形式直接检测，十分高效且数据需求十分低，虽然最终的性能有点难看，但是这个思路还是可以有很多工作可以补的 来源：晓飞的算法工程笔...

论文提出了移动端的神经网络架构搜索方法，该方法主要有两个思路，首先使用多目标优化方法将模型在实际设备上的耗时融入搜索中，然后使用分解的层次搜索空间，来让网络保持层多样性的同时，搜索空间依然很简洁，能够使得搜索的模型在准确率和耗时中有更好的trade off 来源：【晓飞的算法工程笔记】 公众号论文: MnasNet: Platform-Aware Neural Architecture Searc

论文提出NASH方法来进行神经网络结构搜索，核心思想与之前的EAS方法类似，使用网络态射来生成一系列效果一致且继承权重的复杂子网，本文的网络态射更丰富，而且仅需要简单的爬山算法辅助就可以完成搜索，耗时0.5GPU day 来源：晓飞的算法工程笔记 公众号论文: Simple And Efficient Architecture Search for Convolutional Neural Net

论文提出anchor-free和proposal-free的one-stage的目标检测算法FCOS，不再需要anchor相关的的超参数，在目前流行的逐像素(per-pixel)预测方法上进行目标检测，根据实验结果来看，FCOS能够与主流的检测算法相比较，达到SOTA，为后面的大热的anchor-free方法提供了很好的参考 来源：【晓飞的算法工程笔记】 公众号论文: FCOS: Ful...

RepPoints的设计思想十分巧妙，使用富含语义信息的点集来表示目标，并且巧用可变形卷积来进行实现，整体网络设计十分完备，值得学习 来源：晓飞的算法工程笔记 公众号论文: RepPoints: Point Set Representation for Object Detection论文地址：https://arxiv.org/abs/1904.11490论文代码：https://github.