ronghuaiyang

基于IoU的NMS实际上是一种贪心算法，这种方法得到的结果往往不是最优的，Confluence给出了另一种选择。

又一篇anchor匹配策略的文章，不过确实是简单有效，在ATSS上只需要很小的修改就可以提升性能。GFL2在框的预测上用上了概率分布，这里又在anchor匹配上用上了概率分布。

计算量基本不变，涨AP，3.5个点！在做目标检测的时候，利用不同level的特征进行预测已经是标准操作了。

一位来自Cornell大学的博士给出了他6年博士旅程的一些个人的经验和建议：小步迭代、策略性阅读、主动、专注、坚持、记笔记、重视社区、拓展视野，无论是工程还是研究，都很有用。

类别激活图(CAM)是一种用于计算机视觉分类任务的强大技术。它允许研究人员检查被分类的图像，并了解图像的哪些部分/像素对模型的最终输出有更大的贡献。

神经网络是伟大的函数逼近器和特征提取器，但有时它们的权值变得过于特定化，导致过拟合。这就是正则化概念出现的地方，我们将讨论两种主要权重正则化技术之间的细微差别，它们经常被错误地认为是相同的。

对比损失和三元组损失都利用欧氏距离来量化点之间的相似性。此外，训练小批中的每个锚点都与一个单个负样本配对。N-Pairs损失改变了这两个假设。

检索网络对于搜索和索引是必不可少的。深度学习利用各种排名损失来学习一个对象的嵌入 —— 来自同一类的对象的嵌入比来自不同类的对象的嵌入更接近。

在本文中，我们将讨论目标检测模型和Objectness的基础知识。 物体检测模型本质上，正如其名称所示，检测物体。这意味着给定一个图像，它可以告诉你物体在哪里，以及这个物体是什么。