2019检测相关的优秀工作

NeurIPS 2019 | 基于Co-Attention和Co-Excitation的少样本目标检测

论文提出CoAE少样本目标检测算法，该算法使用non-local block来提取目标图片与查询图片间的对应特征，使得RPN网络能够准确的获取对应类别对象的位置，另外使用类似SE block的squeeze and co-excitation模块来根据查询图片加强对应的特征纬度，最后结合margin based ranking loss达到了state-of-the-art，论文创新点满满，值得一读
————————————————
版权声明：本文为CSDN博主「晓飞的算法工程笔记」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lichlee/article/details/103849368

NeurIPS 2019 | 基于Co-Attention和Co-Excitation的少样本目标检测

https://blog.csdn.net/lichlee/article/details/103849364
论文提出Cascade RPN算法来提升RPN模块的性能，该算法重点解决了RPN在迭代时anchor和feature不对齐的问题，论文创新点足，效果也很惊艳，相对于原始的RPN提升13.4%AR

该作者介绍的几篇检测相关代码，都可以