简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
论文提出从IoU指标延伸来的PIoU损失函数,能够有效地提高倾斜目标检测场景下的旋转角度预测和IoU效果,对anchor-based方法和anchor-free方法均适用。另外论文提供了Retail50K数据集,能够很好地用于评估倾斜目标检测算法的性能 来源:晓飞的算法工程笔记 公众号论文: PIoU Loss: Towards Accurate Oriented Object Detection
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
论文从理论的角度出发,对目标检测的域自适应问题进行了深入的研究,基于H-divergence的对抗训练提出了DA Faster R-CNN,从图片级和实例级两种角度进行域对齐,并且加入一致性正则化来学习域不变的RPN。从实验来看,论文的方法十分有效,这是一个很符合实际需求的研究,能解决现实中场景多样,训练数据标注有限的情况。 来源:晓飞的算法工程笔记 公众号论文: Domain Adaptive
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