Think different

Here’s to the crazy ones. The misfits. The rebels. The troublemakers. The round pegs in the square holes. The ones who see things differently. They’re not fond of rules. And they have no respect for the status quo. You can quote them, disagree with them, glorify or vilify them. About the only thing you can’t do is ignore them. Because they change things. They push the human race forward. And while some may see them as the crazy ones, we see genius. Because people who are crazy enough to think they can change the world are the ones who do.

阅读全文

讲一讲目前深度学习下基于单目的三维人体重建技术

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。

阅读全文

FairMOT:讨论多目标跟踪里检测与再识别的公平性

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。

阅读全文

滚蛋吧,Anchor 君!旷视新科技,YOLOX

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。

阅读全文

知识蒸馏:Distilling the Knowledge in a Neural Network

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。

阅读全文

UnitBox:一种新的 IoU 损失函数,把 box 当作一个整体去预测

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。

阅读全文

老生常谈 Focal Loss —— 解决正负样本不均衡问题

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!

阅读全文

FCOS:Fully Convolutional One-Stage Object Detection

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。

阅读全文

CenterNet 和 CenterTrack:以点代物,同时进行目标检测和跟踪

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

阅读全文

CornerNet:Detecting Objects as Paired Keypoints

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。

阅读全文