晓飞的算法工程笔记

摘要： 作为与FCOS和FSAF同期的Anchor-free论文，FoveaBox在整体结构上也是基于DenseBox加FPN的策略，主要差别在于FoveaBox只使用目标中心区域进行预测且回归预测的是归一化后的偏移值，还有根据目标尺寸选择FPN的多层进行训练，大家可以学习下 来源：晓飞的算法工程笔记 公众 阅读全文

摘要： DenseBox检测算法的设计十分超前，如今很多Anchor-free方法有其影子，如果当时不是比Faster R-CNN晚了一点出现，可能目标检测领域很早就开始往Anchor-free的方向发展了 来源：晓飞的算法工程笔记 公众号 论文: DenseBox: Unifying Landmark L 阅读全文

摘要： 针对anchor-point检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchor point使用不同的损失权重，并且对不同的特征金字塔层进行加权共同训练，去除了大部分人为制定的规则，更加遵循网络本身的权值进行训练 来源：晓飞的算法工程笔记 公众号 论文: Soft Anchor-Po 阅读全文

摘要： FSAF深入地分析FPN层在训练时的选择问题，以超简单的anchor-free分支形式嵌入原网络，几乎对速度没有影响，可更准确的选择最优的FPN层，带来不错的精度提升 来源：晓飞的算法工程笔记 公众号 论文: Feature Selective Anchor-Free Module for Sing 阅读全文

摘要： RepPointsV2的整体思想类似与Mask R-CNN，加入更多的任务来监督目标检测算法的学习。虽然在创新性上可能不够新颖，但论文的通用性还是很不错的，而且将角点任务的输出用于联合推理，从对比实验上看提升不少 来源：晓飞的算法工程笔记 公众号 论文: RepPoints V2: Verifica 阅读全文

摘要： 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： 阅读全文

摘要： 论文对CornerNet进行了性能优化，提出了CornerNet-Saccade和CornerNet-Squeeze两个优化的CornerNet变种，优化的手段具有很高的针对性和局限性，不过依然有很多可以学习的地方 来源：晓飞的算法工程笔记 公众号 论文: CornerNet-Lite: Effic 阅读全文

摘要： SaccadeNet基于中心点特征进行初步的目标定位，然后利用初步预测框的角点特征以及中心点特征进行预测框的精调，整体思想类似于two-stage目标检测算法，将第二阶段的预测框精调用的区域特征转化为点特征。SaccadeNet在精度和速度上都可圈可点，整体思想十分不错 来源：晓飞的算法工程笔记 公 阅读全文

摘要： CSP将目标定义为中心点和尺寸，通过网络直接预测目标的中心和寸尺，相对于传统的RCNN类型检测算法轻量化了不少。整体思想与Object as Points撞车了，真是英雄所见略同 来源：晓飞的算法工程笔记 公众号 论文: Center and Scale Prediction: A Box-free 阅读全文

摘要： CentripetalNet的核心在于新的角点匹配方式，额外学习一个向心偏移值，偏移值足够小的角点即为匹配，相对于embedding向量的匹配方式，这种方法更为鲁棒，解释性更好。另外论文提出的十字星变形卷积也很好地贴合角点目标检测的场景，增强角点特征 来源：晓飞的算法工程笔记 公众号 论文: Cen 阅读全文