论文巧妙地基于one-stage目标检测算法提出实时实例分割算法YOLACT，整体的架构设计十分轻量，在速度和效果上面达到很好的trade-off。 来源：【晓飞的算法工程笔记】 公众号论文: YOLACT: Real-time Instance Segmentation论文地址：https://arxiv.org/abs/1904.02689论文代码：https://githu...

论文提出了CornerNet，通过检测角点对的方式进行目标检测，与当前的SOTA检测模型有相当的性能。CornerNet借鉴人体姿态估计的方法，开创了目标检测领域的一个新框架，后面很多论文都基于CorerNet的研究拓展出新的角点目标检测 来源：晓飞的算法工程笔记 公众号论文: CornerNet: Detecting Objects as Paired Keypoints论文地址：https:/

边界对于定位问题十分重要，BorderDet的核心思想BorderAlign巧妙又有效，将边界特征融入到目标定位预测中，而且能够简单地融入到各种目标检测算法中带来较大的性能提升下。在开源实现中，对BorderAlign进行了高效CUDA实现，不会对耗时带来很大的影响，整个工作十分扎实 来源：晓飞的算法工程笔记 公众号论文: BorderDet: Border Feature for Dense O

CondenseNet特点在于可学习分组卷积的提出，结合训练过程进行剪枝，不仅能准确地剪枝，还能继续训练，使网络权重更平滑，是个很不错的工作 来源：晓飞的算法工程笔记 公众号论文:Neural Architecture Search with Reinforcement Learning论文地址：https://arxiv.org/abs/1711.09224论文代码：https://github

论文提出了新的少样本目标检测算法，创新点包括Attention-RPN、多关系检测器以及对比训练策略，另外还构建了包含1000类的少样本检测数据集FSOD，在FSOD上训练得到的论文模型能够直接迁移到新类别的检测中，不需要fine-tune 来源：晓飞的算法工程笔记 公众号论文: Few-Shot Object Detection with Attention-RPN and Multi...