E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
晓飞的算法工程笔记
ResNet-RS：谷歌领衔调优ResNet，性能全面超越EfficientNet系列 | 2021 arxiv
从实验效果来看性能提升挺高的，值得参考 来源：
晓飞的算法工程笔记
公众号论文:RevisitingResNets:ImprovedTrainingandScalingStrategies论文地址：https
·
2022-07-06 12:14
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNs
·
2022-07-05 12:42
CA：用于移动端的高效坐标注意力机制 | CVPR 2021
通过实验发现，coordinateattention可有效地提升模型的准确率，而且仅带来少量的计算消耗，十分不错来源：
晓飞的算法工程笔记
公众号论文:CoordinateAttentionforEfficientMobileNetworkDesign
·
2022-07-04 12:07
GID：旷视提出全方位的检测模型知识蒸馏 | CVPR 2021
从实验结果来看，效果十分不错，值得一看来源：
晓飞的算法工程笔记
公众号论文:GeneralInstanceDistillationforObjectDetection论文地址：https://arxiv.or
晓飞的算法工程笔记
·
2022-07-03 13:57
晓飞的算法工程笔记
目标检测
机器学习
深度学习
计算机视觉
人工智能
GID：旷视提出全方位的检测模型知识蒸馏 | CVPR 2021
从实验结果来看，效果十分不错，值得一看来源：
晓飞的算法工程笔记
公众号论文:GeneralInstanceDistillationforObjectDetection论文地址：https://arxiv.or
·
2022-07-01 12:11
GWD：基于高斯Wasserstein距离的旋转目标检测 | ICML 2021
目前，常规目标检测也有很多将回归转化为概率分布函数的做法，本文有异曲同工之妙，值得阅读来源：
晓飞的算法工程笔记
公众号论文:RethinkingRotatedObjectDetectionwithGaussianWassersteinDistanceLoss
·
2022-06-29 12:36
PSS：你距离NMS-free+提点只有两个卷积层 | 2021论文
论文提出了简单高效的PSS分支，仅需在原网络的基础上添加两个卷积层就能去掉NMS后处理，还能提升模型的准确率，而stop-grad的训练方法也挺有意思的，值得一看来源：
晓飞的算法工程笔记
公众号论文:ObjectDetectionMadeSimplerbyEliminatingHeuristicNMS
晓飞的算法工程笔记
·
2022-06-28 19:25
晓飞的算法工程笔记
深度学习
计算机视觉
人工智能
机器学习
目标检测
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNs
晓飞的算法工程笔记
·
2022-06-28 19:53
晓飞的算法工程笔记
算法
深度学习
目标检测
机器学习
计算机视觉
NF-ResNet：去掉BN归一化，值得细读的网络信号分析 | ICLR 2021
一些初始化方法的理论效果是对的，但实际使用会有偏差，论文通过实践分析发现了这一点进行补充，贯彻了实践出真知的道理来源：
晓飞的算法工程笔记
公众号论文:Characterizingsignalpropagationtoclos
晓飞的算法工程笔记
·
2022-06-28 19:53
晓飞的算法工程笔记
网络
机器学习
深度学习
人工智能
计算机视觉
CAP：多重注意力机制，有趣的细粒度分类方案 | AAAI 2021
除了像素级别的注意力机制，还有区域级别的注意力机制以及局部特征编码方法，与以往的视觉方案很不同，值得一看来源：
晓飞的算法工程笔记
公众号论文:Context-awareAttentionalPooling
晓飞的算法工程笔记
·
2022-06-28 19:11
晓飞的算法工程笔记
分类
深度学习
人工智能
计算机视觉
机器学习
PSS：你距离NMS-free+提点只有两个卷积层 | 2021论文
论文提出了简单高效的PSS分支，仅需在原网络的基础上添加两个卷积层就能去掉NMS后处理，还能提升模型的准确率，而stop-grad的训练方法也挺有意思的，值得一看来源：
晓飞的算法工程笔记
公众号论文:ObjectDetectionMadeSimplerbyEliminatingHeuristicNMS
·
2022-06-27 12:05
CAP：多重注意力机制，有趣的细粒度分类方案 | AAAI 2021
除了像素级别的注意力机制，还有区域级别的注意力机制以及局部特征编码方法，与以往的视觉方案很不同，值得一看来源：
晓飞的算法工程笔记
公众号论文:Context-awareAttentionalPooling
·
2022-06-24 14:11
CAP：多重注意力机制，有趣的细粒度分类方案 | AAAI 2021
除了像素级别的注意力机制，还有区域级别的注意力机制以及局部特征编码方法，与以往的视觉方案很不同，值得一看来源：
晓飞的算法工程笔记
公众号论文:Context-awareAttentionalPooli
晓飞的算法工程笔记
·
2022-06-24 13:00
NF-ResNet：去掉BN归一化，值得细读的网络信号分析 | ICLR 2021
一些初始化方法的理论效果是对的，但实际使用会有偏差，论文通过实践分析发现了这一点进行补充，贯彻了实践出真知的道理来源：
晓飞的算法工程笔记
公众号论文:Characterizingsignalpropagationtoclos
·
2022-06-22 13:00
Involution：空间不共享？可完全替代卷积的高性能算子 | CVPR 2021
目前看这篇文章没被举报有洗稿的嫌疑，所以就发出来了.来源：
晓飞的算法工程笔记
公众号论文:Involution:InvertingtheInherenceofConvolutionforVisualRecognition
·
2022-06-20 13:25
SoftPool：基于Softmax加权的池化操作 | 2021新文
从性能和准确率来看，SoftPool是目前的常规池化方法的一个不错的替代品 来源：
晓飞的算法工程笔记
公众号论文:RefiningactivationdownsamplingwithSoftPool论文地址
·
2022-04-29 13:31
SoftPool：基于Softmax加权的池化操作 | 2021新文
从性能和准确率来看，SoftPool是目前的常规池化方法的一个不错的替代品来源：
晓飞的算法工程笔记
公众号论文:RefiningactivationdownsamplingwithSoftPool论文
晓飞的算法工程笔记
·
2022-04-29 13:00
ReLabel：自动将ImageNet转化成多标签数据集，更准确地有监督训练 | 2021新文
人工标注数据集中普遍存在噪声，ReLabel能够自动且低成本地将原本的单标签数据集转化为多标签数据集，并且提出配合randomcrop使用的高效LabelPooling方法，能够更准确地指导分类网络的训练 来源：
晓飞的算法工程笔记
公众号论文
·
2022-04-28 14:55
ReLabel：自动将ImageNet转化成多标签数据集，更准确地有监督训练 | 2021新文
人工标注数据集中普遍存在噪声，ReLabel能够自动且低成本地将原本的单标签数据集转化为多标签数据集，并且提出配合randomcrop使用的高效LabelPooling方法，能够更准确地指导分类网络的训练来源：
晓飞的算法工程笔记
公众号论文
晓飞的算法工程笔记
·
2022-04-28 13:00
WeightNet：从SENet和CondConv得出的高效权值生成结构 | ECCV 2020
论文在权值空间将SENet和CondConv进行了总结，提出统一的框架WeightNet，能够根据样本特征动态生成卷积核权值，并且能通过调节超参数来达到准确率和速度间的trade-off 来源：
晓飞的算法工程笔记
公众号论文
·
2022-03-30 12:41
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNs
·
2022-03-24 14:55
SAPD：FSAF升级版，合理的损失值加权以及金字塔特征选择 | ECCV 2020
检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchorpoint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
·
2022-03-24 14:32
FoveaBox：细节差别，另一种DenseBox+FPN的Anchor-free方案 | IEEE TIP 2020
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
公众号论文
·
2022-03-24 14:53
SaccadeNet：使用角点特征进行two-stage预测框精调 | CVPR 2020
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
公众号论文:SaccadeNet:AFastandAccurateObjectDetector论文地址：
·
2022-03-24 14:16
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNs
·
2022-03-21 13:15
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNs
晓飞的算法工程笔记
·
2022-03-21 13:00
RepLKNet：不是大卷积不好，而是卷积不够大，31x31卷积了解一下 | CVPR 2022
整篇论文阐述十分详细，而且也优化了实际运行的表现，值得读一读、试一试 来源：
晓飞的算法工程笔记
公众号论文:ScalingUpYourKernelsto31x31:RevisitingLargeKernelDesigninCNNsimage
VincentTeddy
·
2022-03-21 00:53
SAPD：FSAF升级版，合理的损失值加权以及金字塔特征选择 | ECCV 2020
检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchorpoint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
·
2022-03-09 13:26
SAPD：FSAF升级版，合理的损失值加权以及金字塔特征选择 | ECCV 2020
检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchorpoint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
晓飞的算法工程笔记
·
2022-03-09 13:00
FoveaBox：细节差别，另一种DenseBox+FPN的Anchor-free方案 | IEEE TIP 2020
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
公众号论文
·
2022-03-07 13:09
FoveaBox：细节差别，另一种DenseBox+FPN的Anchor-free方案 | IEEE TIP 2020
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
公众号论文
晓飞的算法工程笔记
·
2022-03-07 13:00
Guided Anchoring：在线稀疏anchor生成方案，嵌入即提2AP | CVPR 2019
GuidedAnchoring通过在线生成anchor的方式解决常规手工预设anchor存在的问题，以及能够根据生成的anchor自适应特征，在嵌入方面提供了两种实施方法，是一个很完整的解决方案 来源：
晓飞的算法工程笔记
公众号论文
·
2022-03-04 12:41
Guided Anchoring：在线稀疏anchor生成方案，嵌入即提2AP | CVPR 2019
GuidedAnchoring通过在线生成anchor的方式解决常规手工预设anchor存在的问题，以及能够根据生成的anchor自适应特征，在嵌入方面提供了两种实施方法，是一个很完整的解决方案 来源：
晓飞的算法工程笔记
公众号论文
晓飞的算法工程笔记
·
2022-03-04 12:00
SaccadeNet：使用角点特征进行two-stage预测框精调 | CVPR 2020
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
公众号论文:SaccadeNet:AFastandAccurateObjectDetector论文地址：
·
2022-03-02 12:15
MobileNetV1/V2/V3简述 | 轻量级网络
invertedresidualwithlinearbottleneck单元，虽然层数变多了，但是整体网络准确率和速度都有提升，MobileNetV3则结合AutoML技术以及人工微调进行更轻量级的网络构建 来源：
晓飞的算法工程笔记
公众号
喜欢打酱油的老鸟
·
2022-03-02 12:58
人工智能
SaccadeNet：使用角点特征进行two-stage预测框精调 | CVPR 2020
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
公众号论文:SaccadeNet:AFastandAccurateObjectDetector论文地址：
晓飞的算法工程笔记
·
2022-03-02 12:00
FSAF：嵌入anchor-free分支来指导acnhor-based算法训练 | CVPR2019
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
·
2022-03-01 13:01
FSAF：嵌入anchor-free分支来指导acnhor-based算法训练 | CVPR2019
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
晓飞的算法工程笔记
·
2022-03-01 13:00
FPT：又是借鉴Transformer，这次多方向融合特征金字塔 | ECCV 2020
种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错 来源：
晓飞的算法工程笔记
公众号论文
·
2022-02-25 13:27
Non-local Network：人类早期在CV驯服Transformer尝试 | CVPR 2018
Non-local操作是早期self-attention在视觉任务上的尝试，核心在于依照相似度加权其它特征对当前特征进行增强，实现方式十分简洁，为后续的很多相关研究提供了参考 来源：
晓飞的算法工程笔记
公众号论文
·
2022-02-22 13:44
RelationNet++：基于Transformer融合多种检测目标的表示方式 | NeurIPS 2020
论文提出了基于注意力的BVR模块，能够融合预测框、中心点和角点三种目标表示方式，并且能够无缝地嵌入到各种目标检测算法中，带来不错的收益 来源：
晓飞的算法工程笔记
公众号论文:RelationNet++:BridgingVisualRepresentationsforObjectDetectionviaTransformerDecoder
·
2022-02-21 12:13
RelationNet：学习目标间关系来增强特征以及去除NMS | CVPR 2018
论文基于NLP的注意力机制提出了目标关系模块，通过与其它目标的比对增强当前目标的特征，而且还可以代替NMS进行端到端的重复结果去除，思想十分新颖，效果也不错 来源：
晓飞的算法工程笔记
公众号论文:RelationNetworksforObjectDetection
·
2021-07-29 14:16
FCOSv2：原作的扩展版本，小修小改，性能高达50.4AP | IEEE T-PAMI 2020
本文是对FCOS的小修小改，最终性能达到了50.4AP，可谓相当强劲了，大家在工程上可以参考其中的改进以及提升方法 来源：
晓飞的算法工程笔记
公众号论文:FCOS:ASimpleandStrongAnchor-freeObjectDetector
·
2021-07-27 20:58
Guided Anchoring：在线稀疏anchor生成方案，嵌入即提2AP | CVPR 2019
GuidedAnchoring通过在线生成anchor的方式解决常规手工预设anchor存在的问题，以及能够根据生成的anchor自适应特征，在嵌入方面提供了两种实施方法，是一个很完整的解决方案 来源：
晓飞的算法工程笔记
公众号论文
·
2021-07-27 19:46
FoveaBox：细节差别，另一种DenseBox+FPN的Anchor-free方案 | IEEE TIP 2020
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
公众号论文
·
2021-07-27 19:37
DenseBox：思想超前的早期Anchor-free研究 | CVPR 2015
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FasterR-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
·
2021-07-27 19:55
SAPD：FSAF升级版，合理的损失值加权以及金字塔特征选择 | ECCV 2020
检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchorpoint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
·
2021-07-27 19:17
FSAF：嵌入anchor-free分支来指导acnhor-based算法训练 | CVPR2019
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
·
2021-07-27 19:49
CSP：Object as Point同会议论文，相似思想用于人脸和行人检测 | CVPR 2019
整体思想与ObjectasPoints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:CenterandScalePrediction:ABox-freeApproachforPedestrianandFaceDetection
·
2021-06-23 17:48
Objects as Points：预测目标中心，无需NMS等后处理操作 | CVPR 2019
对比上一篇同名的CenterNet算法，本文的算法更简洁且性能足够强大，不需要NMS等后处理方法，能够拓展到其它检测任务中 来源：
晓飞的算法工程笔记
公众号论文:ObjectsasPoints论文地址：https
VincentTeddy
·
2021-06-23 04:02
上一页
1
2
3
4
5
6
下一页
按字母分类：
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他