|
重磅干貨，第一時(shí)間送達(dá) 前言 近期 CVer 會(huì)陸續(xù)更新 CVPR 2020 論文開源項(xiàng)目系列，此系列的重點(diǎn)是：CVPR 2020 + 開源。這里是第一篇關(guān)于目標(biāo)檢測的文章。 其實(shí) CVPR 2020論文很多，按以前的套路是線下開會(huì)前一個(gè)月官網(wǎng)會(huì)放出所有paper的合集（含PDF下載）。今年CVPR 是6月開會(huì)，那么按規(guī)律5月份其實(shí)大家就能拿到1000多篇論文的PDF了。但這次受疫情影響，CVPR 2020線下會(huì)議可能會(huì)取消，所以到底什么時(shí)候能看到論文合集，這里要打個(gè)大大的問號(hào)了？ Amusi 整理論文開源項(xiàng)目的初衷，一方面知道大家特別熱衷于開源論文（你懂得），另一方面開源的論文項(xiàng)目更方便大家理解(驗(yàn)證)論文。 這里的論文開源項(xiàng)目，其實(shí)是指提供了代碼鏈接的論文。也就是含coming soon的情況，這里沒法深究這類論文究竟什么時(shí)候開源。
由于3D目標(biāo)檢測也是相當(dāng)熱門，論文巨多，所以會(huì)單獨(dú)出一篇來介紹。因此本文主要介紹CVPR 2020中的 2D目標(biāo)檢測相關(guān)論文。 1. ATSS：縮小Anchor-free和Anchor-based的性能差距：通過自適應(yīng)訓(xùn)練樣本選擇 
作者團(tuán)隊(duì)：中科院&國科大&北郵等論文鏈接：https:///abs/1912.02424
代碼鏈接：https://github.com/sfzhang15/ATSS注：ATSS在COCO上，single/multi scale分別可達(dá)47.7和50.7AP！很強(qiáng)勢，現(xiàn)已開源！
2. EfficientDet 
論文鏈接：https:///abs/1911.09070
https://github.com/google/automl/tree/master/efficientdet
3. Hit-Detector 
作者團(tuán)隊(duì)：北京大學(xué)&華為諾亞&悉尼大學(xué)
論文鏈接：https:///abs/2003.11818
代碼鏈接：https://github.com/ggjy/HitDet.pytorch注：性能優(yōu)于Auto-FPN、DetNAS和NASFPN等網(wǎng)絡(luò)。何謂三位一體：端到端同時(shí)發(fā)現(xiàn)目標(biāo)檢測器的backbone，neck和head
4. CentripetalNet
作者團(tuán)隊(duì)：西安交大&商湯&國科大&北航
論文鏈接：https:///abs/2003.09119
https://github.com/KiveeDong/CentripetalNet注：Anchor-free目標(biāo)檢測新網(wǎng)絡(luò)，在COCO上可達(dá)48 AP！性能優(yōu)于CenterNet、RPDet等網(wǎng)絡(luò)論文解讀：CentripetalNet：目標(biāo)檢測新網(wǎng)絡(luò)，COCO 48%AP，超現(xiàn)所有Anchor-free網(wǎng)絡(luò)
5. HTCN
作者團(tuán)隊(duì)：廈門大學(xué)&港中文
論文鏈接：https:///abs/2003.06297
代碼鏈接：https://github.com/chaoqichen/HTCN注：域自適應(yīng)目標(biāo)檢測新網(wǎng)絡(luò)，表現(xiàn)SOTA！性能優(yōu)于MTOR、SWDA和MAF等網(wǎng)絡(luò)
6. BiDet：高效的二值化目標(biāo)檢測器
作者團(tuán)隊(duì)：清華大學(xué)等
論文鏈接：https:///abs/2003.03961
代碼鏈接：https://github.com/ZiweiWangTHU/BiDet注：面向目標(biāo)檢測的二值化新網(wǎng)絡(luò)，性能優(yōu)于Bi-Real-Net、Xnor-Net和BNN等二值網(wǎng)絡(luò)
7. Wetectron：實(shí)例感知，上下文相關(guān)和高效的弱監(jiān)督目標(biāo)檢測
作者團(tuán)隊(duì)：伊利諾伊大學(xué)厄巴納-香檳分校&NVIDIA
論文鏈接：https:///abs/2004.04725
https://github.com/https://github.com/NVlabs/wetectron通過減少訓(xùn)練過程中對(duì)監(jiān)督數(shù)據(jù)的需求，弱監(jiān)督目標(biāo)檢測已經(jīng)成為一個(gè)新的熱門研究方向。主要挑戰(zhàn)仍然存在：（1）目標(biāo)實(shí)例的區(qū)分可能是模棱兩可的；（2）檢測器傾向于聚焦于區(qū)分parts而不是整個(gè)目標(biāo)；（3）沒有g(shù)round truth，目標(biāo)proposals對(duì)于提高召回率是多余的，從而導(dǎo)致大量內(nèi)存消耗。解決這些挑戰(zhàn)非常困難，因?yàn)橥ǔＰ枰淮_定性和簡單的解決方案。為了解決這些問題，我們開發(fā)了一個(gè)實(shí)例感知和針對(duì)上下文的統(tǒng)一框架。它采用了實(shí)例感知的自訓(xùn)練算法和可學(xué)習(xí)的Concrete DropBlock，同時(shí)設(shè)計(jì)了一種內(nèi)存有效的順序批反向傳播。我們提出的方法在COCO（12.1% AP, 24.8% AP50），VOC 2007（54.9% AP）和VOC 2012（52.1% AP）方面取得了最新的成果，基線大幅度提高。此外，該方法是第一個(gè)對(duì)基于ResNet的模型和弱監(jiān)督視頻目標(biāo)檢測進(jìn)行基準(zhǔn)測試的方法。
|
