女人扒开让男人桶爽app,国产在线国偷精品,豆花视频网页版1,福利在线视频导航,强行扒开双腿猛烈进入免费,国产激情在线网站,男生插女生下面视频,欧美成人精品欧美一级私黄

（文末有福利哦）

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺中的經(jīng)典問題之一。憑借大量可用數(shù)據(jù)、更快的 GPU 和更好的算法，現(xiàn)在我們可以輕松訓(xùn)練計(jì)算機(jī)以高精度檢測(cè)出圖像中的多個(gè)對(duì)象。

前不久結(jié)束的 CVPR 2020 會(huì)議在推動(dòng)目標(biāo)檢測(cè)領(lǐng)域發(fā)展方面做出了一些貢獻(xiàn)，本文就為大家推薦其中 6 篇有價(jià)值的目標(biāo)檢測(cè)論文。

論文清單：

A Hierarchical Graph Network for 3D Object Detection on Point Clouds
HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection
Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
Camouflaged Object Detection
Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector
D2Det: Towards High-Quality Object Detection and Instance Segmentation

1. A Hierarchical Graph Network for 3D Object Detection on Point Clouds

論文地址：

https://openaccess.thecvf.com/content_CVPR_2020/papers/Chen_A_Hierarchical_Graph_Network_for_3D_Object_Detection_on_Point_CVPR_2020_paper.pdf

這項(xiàng)研究提出了一種基于圖卷積 (GConv) 的新型層次圖網(wǎng)絡(luò) (HGNet)，它用于三維目標(biāo)檢測(cè)任務(wù)，可直接處理原始點(diǎn)云進(jìn)而預(yù)測(cè)三維邊界框。HGNet 能夠有效捕獲點(diǎn)之間的關(guān)系，并利用多級(jí)語義進(jìn)行目標(biāo)檢測(cè)。

具體而言，該研究提出了新的 shape-attentive GConv (SA-GConv)，它能通過建模點(diǎn)的相對(duì)幾何位置來描述物體的形狀，進(jìn)而捕獲局部形狀特征。

基于 SA-GConv 的 U 形網(wǎng)絡(luò)捕獲多層次特征，通過改進(jìn)的投票模塊（voting module）將這些特征映射到相同的特征空間中，進(jìn)而生成候選框（proposal）。

HGNet 主要包括三部分：

基于 GConv 的 U 形網(wǎng)絡(luò)（GU-net）；
候選框生成器；
候選框推理模塊（ProRe Module）：使用全連接圖對(duì)候選框進(jìn)行推理。

該研究提出的模型主要以 VoteNet 作為 backbone，并基于它提出了一系列改進(jìn)。

由下圖可以看出：

將 VoteNet 中的 PointNet++ 換成特征捕捉能力更強(qiáng)的 GCN；
為 up-sample 的多層中的每一層都接上 voting 模塊，整合多個(gè)尺度的特征；
在 proposal 之間也使用 GCN 來增強(qiáng)特征的學(xué)習(xí)能力。

實(shí)現(xiàn)細(xì)節(jié)

本文提出了 Shape-attentive Graph Convolutions（SA-GConv），并且將這個(gè)卷積同時(shí)用在了 down-sampling pathway 和 up-sampling pathway 中。

本文提出了一個(gè) Proposal Reasoning Module，在 proposal 之間學(xué)習(xí)其特征之間的交互。

不同模型在 SUN RGB-D V1 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如下所示：

2. HVNet: Hybrid Voxel Network for LiDAR Based 3D Object Detection

論文地址：

https://openaccess.thecvf.com/content_CVPR_2020/papers/Ye_HVNet_Hybrid_Voxel_Network_for_LiDAR_Based_3D_Object_Detection_CVPR_2020_paper.pdf

這篇論文提出了一種基于點(diǎn)云的自動(dòng)駕駛?cè)S目標(biāo)檢測(cè) one-stage 網(wǎng)絡(luò)——混合體素網(wǎng)絡(luò) (Hybrid Voxel Network, HVNet)，通過在點(diǎn)級(jí)別上混合不同尺度的體素特征編碼器 (VFE) 得到更好的體素特征編碼方法，從而在速度和精度上得到提升。

HVNet 采用的體素特征編碼（VFE）方法包括以下三個(gè)步驟：

體素化：將點(diǎn)云指定給二維體素網(wǎng)格；
體素特征提?。河?jì)算網(wǎng)格相關(guān)的點(diǎn)級(jí)特征，然后將其輸入到 PointNet 風(fēng)格特征編碼器；
投影：將點(diǎn)級(jí)特征聚合為體素級(jí)特征，并投影到其原始網(wǎng)格。這就形成了一個(gè)偽圖像特征圖。

該研究提出的 HVNet 架構(gòu)包括：HVFE 混合體素特征提取模塊；2D 卷積模塊；以及檢測(cè)模塊，用來輸出最后的預(yù)測(cè)結(jié)果。

HVNet 整體架構(gòu)及 HVFE 架構(gòu)參見下圖：

不同模型在 KITTI 數(shù)據(jù)集上獲得的結(jié)果如下表所示：

3. Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud

論文地址：
https://openaccess.thecvf.com/content_CVPR_2020/papers/Shi_Point-GNN_Graph_Neural_Network_for_3D_Object_Detection_in_a_CVPR_2020_paper.pdf
項(xiàng)目地址：
https://github.com/WeijingShi/Point-GNN

基于點(diǎn)云的 3D 目標(biāo)檢測(cè)具有非常重要的應(yīng)用價(jià)值，尤其是在自動(dòng)駕駛領(lǐng)域。使用激光雷達(dá)傳感器獲得的 3D 點(diǎn)云數(shù)據(jù)描述了周圍環(huán)境，使得 3D 目標(biāo)檢測(cè)能夠比單純使用 RBG 攝像頭提供更多的目標(biāo)信息（不僅有位置信息，還有距離信息）。

該研究指出，以往使用 CNN 的方法處理點(diǎn)云數(shù)據(jù)時(shí)往往需要在空間劃分 Grids，會(huì)出現(xiàn)大量的空白矩陣元素，并不適合稀疏點(diǎn)云；

近來出現(xiàn)的類似 PointNet 的方法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分組和采樣，取得了不錯(cuò)的結(jié)果，但計(jì)算成本太大。于是該研究提出一種新型 GNN 網(wǎng)絡(luò)——Point-GNN。

Point-GNN 方法主要分為三個(gè)階段，如下圖所示：

圖構(gòu)建：使用體素降采樣點(diǎn)云進(jìn)行圖構(gòu)建；
GNN 目標(biāo)檢測(cè)（T 次迭代）；
邊界框合并和評(píng)分。

以下是不同模型在 KITTI 數(shù)據(jù)集上獲得的結(jié)果：

4. Camouflaged Object Detection

論文地址：
https://openaccess.thecvf.com/content_CVPR_2020/papers/Fan_Camouflaged_Object_Detection_CVPR_2020_paper.pdf?
項(xiàng)目地址：
https://github.com/DengPingFan/SINet/

這篇論文解決的問題是：如何檢測(cè)嵌入在周圍環(huán)境中的物體，即偽裝目標(biāo)檢測(cè)（camouflaged object detection，COD）。?

此外，該研究還創(chuàng)建了一個(gè)名為 COD10K 的新型數(shù)據(jù)集。它包含 10,000 張圖像，涵蓋許多自然場(chǎng)景中的偽裝物體。

該數(shù)據(jù)集具有 78 個(gè)類別，每張圖像均具備類別標(biāo)簽、邊界框、實(shí)例級(jí)標(biāo)簽和摳圖級(jí)（matting-level）標(biāo)簽。

下圖展示了 COD10K 數(shù)據(jù)集中的樣本示例及其難點(diǎn)。

為了解決偽裝目標(biāo)檢測(cè)問題，該研究提出了一種叫做搜索識(shí)別網(wǎng)絡(luò)（Search Identification Network，SINet）的 COD 框架。

該網(wǎng)絡(luò)有兩個(gè)主要模塊：

搜索模塊（SM），用于搜索偽裝的物體；
識(shí)別模塊（IM），用于檢測(cè)該物體。

SINet 架構(gòu)如下所示：

不同模型在多個(gè)數(shù)據(jù)集上的結(jié)果參見下表：

5.?Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

論文地址：

https://openaccess.thecvf.com/content_CVPR_2020/papers/Fan_Few-Shot_Object_Detection_With_Attention-RPN_and_Multi-Relation_Detector_CVPR_2020_paper.pdf

傳統(tǒng)的目標(biāo)檢測(cè)算法需要大量數(shù)據(jù)標(biāo)注才能訓(xùn)練模型，而數(shù)據(jù)標(biāo)注不但耗費(fèi)人力，可能還會(huì)因?yàn)闃?biāo)注質(zhì)量而影響訓(xùn)練效果。

這篇論文提出了一種「小樣本」目標(biāo)檢測(cè)網(wǎng)絡(luò)，旨在通過少量標(biāo)注數(shù)據(jù)使模型有效檢測(cè)到從未見過的目標(biāo)。

該方法的核心包括三點(diǎn)：Attention-RPN、Multi-Relation Detector 和 Contrastive Training strategy，利用小樣本 support set 和 query set 的相似性來檢測(cè)新的目標(biāo)，同時(shí)抑制 background 中的錯(cuò)誤檢測(cè)。

該團(tuán)隊(duì)還貢獻(xiàn)了一個(gè)新的數(shù)據(jù)集，該數(shù)據(jù)集包含 1000 個(gè)類別，且具備高質(zhì)量的標(biāo)注。

該研究提出一個(gè)新型注意力網(wǎng)絡(luò)，能在 RPN 模塊和檢測(cè)器上學(xué)習(xí) support set 和 query set 之間的匹配關(guān)系；

下圖中的 weight shared network 有多個(gè)分支，可以分為兩類，一類用于 query set，另一類用于 support set（support set 的分支可以有多個(gè)，用來輸入不同的 support 圖像，圖中只畫了一個(gè)），處理 query set 的分支是 Faster RCNN 網(wǎng)絡(luò)。

該研究提出的網(wǎng)絡(luò)架構(gòu)。

作者還提出用 Attention RPN 來過濾掉不屬于 support set 的目標(biāo)。

以下是不同模型在 ImageNet 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果：

以下是基于一些數(shù)據(jù)集得到的觀察結(jié)果：

6.?D2Det: Towards High-Quality Object Detection and Instance Segmentation

論文地址：?
https://openaccess.thecvf.com/content_CVPR_2020/papers/Cao_D2Det_Towards_High_Quality_Object_Detection_and_Instance_Segmentation_CVPR_2020_paper.pdf?
項(xiàng)目地址：
https://github.com/JialeCao001/D2Det

這篇論文提出了一種提高定位精度和分類準(zhǔn)確率的方法 D2Det，以提升目標(biāo)檢測(cè)的效果。

針對(duì)這兩項(xiàng)挑戰(zhàn)，該研究分別提出了 dense local regression（DLR）和 discriminative RoI pooling（DRP）兩個(gè)模塊。

其中 DLR 與 anchor-free 方法 FCOS 的 detect loss 類似，DRP 則是利用了 deformable convolution 的思想，分別從第一階段和第二階段提取準(zhǔn)確的目標(biāo)特征區(qū)域，進(jìn)而獲得相應(yīng)的性能提升。具體方法流程如下圖所示：