文章目录前言1 STN2. ASPP3. Non-local4. SE5. CBAM6 DCN v1&v27 CoordConv8 Ghost9 BlurPool10 RFB11 ASFF前言本文盘点一些CNN网络中设计比较精巧而又实用的“插件”。所谓“插件”，就是不改变网络主体结构， 可以很容易嵌入到主流网络当中，提高网络提取特征的能力，能够做到plug-and-play。1 STN出自

1.MIOUmIoU可解释为平均交并比，即在每个类别上计算IoU值（即真正样本数量/（真正样本数量+假负样本数量+假正样本数量））。def mean_iou(input, target, classes = 2):"""compute the value of mean iou:param input:2d array, int, prediction:p...

code: https://github.com/xu-ji/IICpaper: https://arxiv.org/abs/1807.06653人类是如此擅长“无监督”，以至于我们经常用肤浅的认知作出荒谬的结论。人类擅长“无监督”，往往是因为“滥用”过往的经验妄下结论; 而AI模型的“无监督”，是对数据“妄下”的结论。自从有了深度网络的“大锤”，曾经传统聚类的钉子（k-means, 谱聚类等）似

code: https://github.com/zwwwayne/k-net文章目录引言实例分割的N种姿势让实例分割像语义分割那样简单Why now?Group-aware Kernels实验结果引言实例分割（instance segmentation）已经被以 Mask R-CNN 为代表的“先检测后分割”的框架主导了多年，之前涌现的单阶段实例分割算法也依然需要遍历图片中的每一个位置（feat

code: https://paperswithcode.com/paper/190506368文章目录摘要论文的贡献协作性的全局-局部网络Motivation: Why Not Global or Local AloneGLNet Architecture摘要超高分辨率图像的分割要求越来越高，但对算法效率带来了重大挑战，特别是考虑到(GPU)内存限制。目前的方法要么对一个超高分辨率的图像进行降采

这是https://github.com/jacobgil/pytorch-grad-cam/blob/master/tutorials/Class Activation Maps for Object Detection With Faster RCNN.ipynb 中 适用于 YOLO5的教程的简单得多的版本。YOLO5 中的最后一层输出检测结果，因此我们将使用它之前的一层。如果我们要使用另一

code: https://github.com/fyangneil/Clustered-Object-Detection-in-Aerial-Image文章目录背景介绍网络结构总体框架Cluster Region ExtractionFine Detection on Cluster ChipFusion Operation背景介绍看到下面这张图片，可以发现图片的像素很高，像行人这样的目标在图片

paper:http://www4.comp.polyu.edu.hk/~cslzhang/paper/LPTN-cvpr21-paper.pdfcode:https://github.com/csjliang/LPTN文章目录摘要LP(Laplacian Pyramid)Introduction实验结论讨论参考摘要现有的I2IT(Image-to-Image Translation)方法要么局限

文章目录2019RoadNet:2019RoadNet:code: https://github.com/yhlleo/RoadNet论文的贡献该文提出了一个多任务像素端到端CNN，道路网，以同时预测路面，边缘和中心线。 道路网自动学习多尺度和多级特征，并在一个专门设计的级联网络中进行整体训练，可以处理各种场景和尺度的道路。上述子任务在训练阶段是相关的，其中路面分割的预测被应用于道路边缘检测和道路

文章目录前言2018Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery前言本博文是对关于农田提取论文的简单汇总。有比较新颖的方法，欢迎大家在下面留言。2018Deep Extraction of Cropland Parcels from Very High-Resolution