arxiv.org/abs/2203.02891代码链接：https://github.com/xulianuwa/mctformer方法plainViT只有一个clstoken,对应得到的attnmap是class-agnostic

一，DenseComparisonModule（DCM密集比较模块）该模块由两个子模块组成：①特征提取器②特征密集比较模块1.特征提取器使用在Imagenet上进行了预训练的ResNet-50作为特征提取器的主干。因为较低层中的特征通常与低级线索（例如，边缘和颜色）相关，而较高层中的特性与对象级别概念（例如，对象类别）相关。ResNet中的层基于空间分辨率分为4个Block，自然对应于4个不同的表

计算机视觉研究院专栏作者：Edison_G目标检测模型在定位和分类训练期间显示目标时表现良好，然而，由于创建和注释检测数据集的难度和成本，训练过的模型检测到数量有限的目标类型，未知目标被视为背景内容。这阻碍了传统检测器在现实应用中的采用，如大规模物体匹配、visualgrounding、视觉关系预测、障碍检测（确定物体的存在和位置比找到特定类型更重要）等。公众号ID｜ComputerVisionG

https://www.quora.com/What-does-%E2%80%9Cclass-agnostic%E2%80%9D-in-most-of-the-object-detection-papers-meanForaclass-awaredetector,ifyoufeeditanimage,itwillreturnasetofboundingboxes,eachboxassociated

明显是网络预测的object类别数目不同。class-specific方式，很多地方也称作class-aware的检测，是早期FasterRCNN等众多算法采用的方式。它利用每一个RoI特征回归出所有类别的bbox坐标，最后根据classification结果索引到对应类别的box输出。这种方式对于mscoco有80类前景的数据集来说，并不算效率高的做法。对于class-aware的检测器，如果向

class-agnostic意思差不错，应该学术上是不可知目标检测感觉有点高级吧，还整不可知论啥啥啥的其实很简单，传统的目标检测是检测出这个东西在哪，是个什么东东，阿猫阿狗之类的这个不可知检测class-agnostic

论文地址：https://arxiv.org/abs/2005.02551代码地址：https://github.com/hkchengrex/CascadePSPCascadePSP:TowardClass-AgnosticandVeryHigh-ResolutionSegmentation1.概述2.相关工作2.1.语义分割分割改进算法2.2.CascadeNetwork3.CascadePS

Title：CANet:Class-AgnosticSegmentationNetworkswithIterativeRefinementandAttentiveFew-ShotLearningFrom：CVPR2019Notedata：2019/07/17Abstract：引入一种CANet，一个类不可知的分割网络，可以对新类进行几次分割，只有少量带注释的图像。Code：暂未开源目录1Abstr

codehttps://github.com/erikalu/class-agnostic-counting解决问题：建立一个适用于任何物体类别的计数模型；解决方法：将计数问题转化为匹配问题，挖掘图的自相似性；主要贡献：1.提出GenericMatchingNetwork(GMN)，可按类未知方法进行计数；2.将计数问题重定义为物体匹配问题，可充分利用大量丰富的已标注的视频帧数据（因为这些视频帧之

CVPR2020:CascadePSP:TowardClass-AgnosticandVeryHigh-ResolutionSegmentationviaGlobalandLocalRefinement题目：通过全局和局部优化进行超高分辨率的图像分割论文地址：https://arxiv.org/abs/2005.02551代码地址：https://github.com/hkchengrex/Cas

Abstract深层卷积神经网络和大规模标记图像数据集推动了语义分割的最新进展。然而,用于像素分割的数据标记是繁琐且昂贵的。此外,训练的模型只能在一组预定义的类中进行预测。在本文中,我们提出了CANet,这是一个类不可知论的分割网络,它在只有几个带注释的图像的情况下,对新的类执行少量的镜头分割。我们的网络由一个双分支密集比较模块和一个迭代优化模块组成,该模块在支持图像和查询图像之间执行多级特征比较