论文笔记

1 简介目标检测中的集合预测 常见的目标检测方法如Faster-RCNN，RetinaNet等都是通过预设anchor的方式进行预测，这种方式本质上就是类似滑动窗口的一种模式。而使用这种滑动窗口的方式其实是人为地给

Y ou Only Look Once:Unified, Real-Time Object Detection YOLO，一种新的目标检测方法。 YOLO和MultiBox都使用卷积网络来预测图像中的边界框，但YOL

前言 论文地址：RetinaNet https://arxiv.org/abs/1708.02002 源码地址：见6节。(PythonCaffee2) Abstract 有最高准确率的目标检测器是基于R-CN

论文链接: https://arxiv.org/pdf/2103.10643v1.pdf. 前言 特征金字塔网络（FPN）是提取物体检测中的多尺度特征的有效框架。然而，基于FPN的方法主要遭受通道减

本文对基于激光雷达的无监督域自适应3D物体检测进行了研究，论文已收录于 ICCV2021。 在Waymo Domain Adaptation dataset上，作者发现点云质量的下降是3D物件检测器性能下降的主要原

1、backbone 是指用于在imagenet数据集上预训练的结构，用于提取图片特征。用于GPU：vgg,resnet,densenet;用于CPU:squeezeNet,mobilenet,shuffleNet

论文：Learning Spatial Fusion for Single-Shot Object Detection. Songtao Liu,Di Huang,Yunhong Wang 摘要 金字塔特征表示是解决目标检测中尺

Facebook AI 提出了 DETR，利用 Transformer 去做目标检测，该方法去除了许多目标检测中的人工设计组件，同时展现了非常好的性能。但是，DETR 存在收敛速度慢和特征

Semantic Relation Reasoning for Shot-Stable Few-Shot Object Detection 基于语义关系推理的fsod 虽然few shot的数据量很少，但是基类和novel类之间

论文地址:https://arxiv.org/abs/2107.08430 1. 动机 yolo系列一直以来都是目标检测领域最火的方法. 从yolo2开始, yolo系列就一直是Anchor-based的检测器, 而近年来Anchor-fre