近年来，基于深度学习的单目三维人体重建技术已经取得了巨大的进展。特别是基于马普所的 SMPL 参数化人体模型这块，今天就来简单聊聊这一系列的相关工作。

基于 anchor-free 的目标跟踪 family 又迎来了一位新成员，FairMOT. 它是在 CenterNet 基础上进行创新的，并真正意义上实现了端到端地将 Detection 和 ReId 任务进行联合训练。

天下苦 anchor 久矣，这两年是 anchor-free 系列目标检测算法的爆发时间段。但是 YOLO 系列最新推出的 v4 和 v5 依然抱着 anchor 不放，在这种背景下旷视科技推出了基于 anchor-free 的 YOLOx 算法。今天就来盘点一下这里面一些有意思的东西。

知识蒸馏（Knowledge Distillation，KD），就是将一个大网络学习到的知识通过蒸馏提炼到另一个小网络中去。通常是存在一个已经训练好的、具备知识的成熟 Teacher Model，用它来指导 Student Model 学习。

这篇论文注意到了一个大多数人没有注意到的问题：现在很多目标检测都是将物体的边框看作四个独立的变量，使用 L1 或 L2 loss 对其分别进行回归，但是这样获得的检测精度其实有限，因为它忽略了物体的尺度和形状等因素。

最近看的一些 anchor-free 目标检测算法都普遍用到了 Focal Loss，今天就来老生常谈重新聊聊它吧！

最近看了不少关于 anchor-free 目标检测的文章，弄得有些审美疲劳了。今天带来一篇我觉得非常有创意的文章，FCOS：Fully Convolutional One-Stage Object Detection. 这篇文章用图像分割的思想去解决 detection 问题，并提出可以用 FPN 的思路来解决重叠目标的 bad case。从实验结果来看，FCOS 能够与主流的 anchor-base 检测算法相媲美，达到 SOTA 的效果。

在 CornerNet 使用角点框出目标后，就自然会想到直接用中心点检测目标。CenterNet 提出一种新的检测思路：把目标看成一个点，它的一些性质如尺寸、3D 坐标、朝向和关键点能直接回归得到，并且还不需要 nms 过程。

既然目标已经用一个点来代替了，那么能不能按时间顺序去跟踪这个中心点？依旧是同样的配方、熟悉的团队，提出了一个基于中心点的联合检测与跟踪框架 —— CenterTrack

CornerNet 是一种用于目标检测的新方法，它使用单个卷积神经网络将物体的边界框检测为一对关键点，即左上角和右下角。 通过这种新思路，它摆脱了以往目标检测中使用的 anchor-base 机制，设计了一种新的池化方式 —— 角点池化（corner pooling），可以帮助网络更好地定位角点。实验表明，CornerNet 在 MS COCO 数据集上到了 42.2% 的 AP 值，碾压了当时所有的 one-stage 检测算法。