周先森爱吃素
GHM解读 GHM解读
收录于AAAI2019 oral的一篇文章，主要是解决目标检测中的样本不平衡问题，包括正负样本不平衡、难易样本不平衡，和著名的Focal Loss类似，也是基于交叉熵做的改进。此外，本文成文过程参考了知乎上一个精简的分析，欢迎访问。 简
2021-04-15 论文解读
GHM解读
CorrTracker解读 CorrTracker解读
其实这篇文章早就在MOT Challenge的Leaderboard上名列前茅了，不过方法名那时候叫TLR。最近论文开放了出来，是Alibaba Group的工作，被收录于CVPR2021，在精度很高的前提下速度还不低，是名副其实的一个M
2021-04-12 论文解读
CorrTracker解读
GCNet解读 GCNet解读
投稿于ICCV2021的一篇多目标跟踪的工作（暂未收录），提出了一个比较简洁的范式，虽然由于侧重点在自动驾驶上因此没有在MOT Challenge赛道上比拼，不过在其他基准数据集上的效果还是很不错的。和另一篇新的SOTA方法TransCe
2021-04-08 论文解读
GCNet解读
TransCenter解读 TransCenter解读
本文介绍这篇出自MIT的多目标跟踪方向的新论文，其将transformer和基于Center的目标检测与跟踪联合到一起，设计了一个全新的多目标跟踪框架，超越了此前的TransTrack和TrackFormer，一举冲到了SOTA方法精度的
2021-04-06 论文解读
TransCenter解读
CDIoU解读 CDIoU解读
简介这篇文章针对之前基于IoU的边框评估和回归机制，在前人工作的基础上设计了Control Distance IoU（CDIoU）和Control Distance IoU loss（CDIoU loss），在几乎不增加计算量的前提下有效提
2021-03-31 论文解读
CDIoU解读
YOLOF解读 YOLOF解读
这是收录于CVPR2021的一篇目标检测的文章，标题也很有意思You Only Look One-level Feature，简称YOLOF，虽然和YOLO没啥关系，针对FPN做的一个工作，理论创新性还是蛮大的，这篇文章对我比较大的触动就
2021-03-24 论文解读
YOLOF解读
TraDeS解读 TraDeS解读
这篇TraDeS是MOT领域的新作，收录于CVPR2021，作者来自纽约州立大学等机构，在多个基准任务上均达到SOTA水平，包括2D跟踪、3D跟踪和分割级跟踪。 简介大多数现有的online MOT方法的检测部分在整个网络中都是独立进行
2021-03-22 论文解读
TraDeS解读
GFocalV2解读 GFocalV2解读
本文对作者基于GFocalV1的工作的扩展，取得了不错的效果，想要更加直白理解这篇文章的话可以参考作者的《大白话 Generalized Focal Loss V2》。 简介在之前的文章介绍了GFocalV1这个开创性的工作，它将边界框
2021-03-20 论文解读
GFocalV2解读
GFocal解读 GFocal解读
总的来说，GFocal这篇文章的数学性还是很高的，如果对此不感兴趣，可以阅读原作者的《大白话 Generalized Focal Loss》。 简介众所周知，单阶段检测器的发展是目标检测领域的重要研究方向，而单阶段方法往往将目标检测视为
2021-03-18 论文解读
GFocal解读
TTFNet解读 TTFNet解读
正巧最近CenterNet的作者发布了CenterNet2，趁此机会也读一读这篇之前针对CenterNet训练时间改进的TTFNet。 简介针对当前目标检测算法的痛点：其实大多数检测器都无法同时做到短的训练时间、快的推理速度和高的模型精
2021-03-16 论文解读
TTFNet解读
TrackFormer解读 TrackFormer解读
TrackFormer和TransTrack一样是基于Transformer在MOT上的工作，其中一位作者就是DETR的作者，相比TransTrack虽然MOTA上不是很高，但是IDF1和IDs都是好不少的，个人觉得也是值得关注的工作，甚
2021-03-14 论文解读
TrackFormer解读
SA-Net解读 SA-Net解读
简介这篇文章是南京大学Yu-Bin Yang等人于2021年初开放的一篇文章，已经被收录于ICASSP2021，文章提出了一种新的视觉注意力机制，称为Shuffle Attention（置换注意力），它通过置换单元组合空间注意力和通道注意力
2021-03-08 论文解读
SA-Net解读
2 / 5