论文阅读

问题 本文提出了一种单阶段的三维目标检测算法，并在文中分析了二阶段三维目标检测算法的不必要性。其所提算法在waymo实时目标检测竞赛中取得了第一的成绩。其性能超过了所有单阶段和多阶段的目标检测算法。
作者首先分析了二阶段目标检测

paper：https://arxiv.org/pdf/2107.08430.pdf code：https://github.com/Megvii-BaseDetection/YOLOX
YOLOv3 baseli

论文地址：https://arxiv.org/abs/2011.00362
介绍
有监督的方法的问题：
1、需要昂贵的标记数据
2、泛化性能差
3、遭受对抗攻击
大量的方法开始寻找不需要大量昂贵的标记的方

Extended Feature Pyramid Network for Small Object Detection
论文链接：https://arxiv.org/abs/2003.07021v1
Introduction

前言
1. 为什么要做这个研究？ 目前基于体素的3D目标检测多为从单一尺度的体素中提取体素特征信息，再进行检测，而作者提出了一种密集聚合结构，以自底向上的方式从多尺度编码体素特征。 2.

代码链接
paper链接
个人博客
问题
本文首先提出了一个目前一阶目标检测器存在的普遍问题就是在head部分将分类和定位这两个任务并行的来做了。这样的话就存在两个任务之间不对齐的问题。因为两个任务是的目标不一样。分类任务更加关注目标的

论文链接：https://arxiv.org/abs/2011.09094
开源代码：https://github.com/dddzg/up-detr
PPT参考链接：https://www.bil

Towards Open World Object Detection
论文：https://arxiv.org/abs/2103.02603
代码：https://github.com/JosephKJ/OWO

[1] 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection(利用IoU预测进行半监督3D对象检测)
论文地址 代码地址
[2] Cate

Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery 面向无约束遥感图像的多分类目标检测 论文地址： https://arxiv.