Reading Paper about Object Detection or 3D Object Detection in CVPR 2020

Paper 1：BiDet: An Efficient Binarized Object Detector

From: 清华
Content： 基于网络的物体检测方法常常拥有极高的性能，但是计算量消耗极大。相比之下，二值化神经网络拥有极高的效能，但是，二值化参数和激活函数的过程会导致模型表现能力的下降。因此，这篇论文提出了一个高效的二值化基于神经网络的物体检测器。具体来说，本方法通过信息瓶颈原则去除了大量冗余的物体框，以降低原本二值化神经网络检测器的false positive。

Paper 2：Foreground-Aware Relation Network for Geospatial Object Segmentation in High Spatial Resolution Remote Sensing Imagery

From: 武大
Content： 现有的遥感物体分割方法常常面临两个未能解决的问题，高分辨率遥感图像中前景背景比例相差巨大，和类内背景差异巨大这两个问题。在本文中，作者认为问题的根源在于缺乏对前景的建模，为此，作者构建了一个前景感知的关系网络来解决这两个问题。通过前景关联上下文来加强前景特征的区分力，并提出了一种前景感知的优化方法，其关注前景样本和背景样本中的hard 样本。

Paper 3：Camouflaged Object Detection

From: 阿联酋AI研究院，南开，武大，ETH
Content： 本文展示了一个物体检测中的一个新领域，即伪装物体的检测。在这个任务中，待检测物体和环境的外观非常相似。本论文提出了一个全新的数据集包含了10000张图片，覆盖了78个自然界中的物体种类。并且本论文还提出了一个简单有效的框架以处理这类任务。

Paper 4 （Object Detection）：Rethinking Classification and Localization for Object Detection

From: 东南，微软
Content： 基于RCNN的物体检测器通常都使用了双Head的结构，即一个用于分类的全连接分支，一个用于定位物体的卷积分支。不过目前没有人探讨过双Head结构是如何作用于这两个任务的。通过分析和测试，本文发现，全连接Head可以更好地区分一个完整物体和物体的一部分，但是无法鲁棒地回归整个物体。因此，本文提出了一种Double-Head的方法，在两个分支上都同时使用两种监督信息，并将两个分支的物体分类监督合并，获得了长足的性能提升。

Paper 5 （Object Detection）：CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection

From: 西交，商汤，中科院，北航
Content： 现有的基于关键点的物体检测器性能已经很好了，但是，错误的关键点匹配依旧存在，并且会导致性能下降。本论文提出了一个CentripetalNet。该网络预测角点的位置和向心位移，并对位移的角点进行对其，可以使得关键点匹配更加准确。此外，作者设计了一个跨星型可变卷积网络来将角点Pooling的结果在角落上更为清晰。
Code: Github