对长尾数据集的tricks进行了分析和探索，并结合一种新的数据增强方法和两阶段的训练策略，取得了非常好的效果。
这是前一篇文章的继续，在这第篇文章中，我们将讨论纹理分析在图像分类中的重要性，以及如何在深度学习中使用纹理分析。
使用RFLA，实验表明，在4个数据集上都是有效的，特别是在AI-TOD数据集上，超过了当前的SOTA达到4.0AP。
人工智能的一个独特应用领域是帮助验证和评估材料和产品的质量。在IBM，我们开发了创新技术，利用本地移动设备，专业的微型传感器技术，和AI，提供实时、解决方案，利用智能手机技术，来代替易于出错的视觉检查设备和实验室里昂贵的设备。
导读你应该知道的18个PyTorch小技巧。调试深度学习的pipelines就像找到最合适的齿轮组合你为什么要读这篇文章？深度学习模型的训练/推理过程涉及很多步骤。在有限的时间和资源条件下，每个迭代的速度越快，整个模型的预测性能就越快。我收集了几个PyTorch技巧，以最大化内存使用效率和最小化运行时间。为了更好地利用这...
本文介绍了一种新的计算注意力的方式，相比于之前的注意力机制，无需额外的全连接，卷积等额外的计算和参数，直接使用BN中的缩放因此来计算注意力权重，并通过增加正则化项来进一步抑制不显著的特征。
本文针对小目标检测，在CenterNet上进行了改进，将CenterNet上的一个中心点改成了4个中心点，取得了不错的效果，改动很小，但很有效。
本文是对CenterNet的一种改进，主要是增加了训练时参与回归的样本，提升了收敛速度，加快了训练时间，同时使用了椭圆高斯核来代替CenterNet中的圆形高斯核，感觉更加合理。
这篇文章提供了一种使用不同proposal来分别做检测和分类的二阶段物体检测方法，相比之前的方法有稳定的performance的提升。
这篇文章对物体检测器的head进行深入的研究，提出了Double-Head-Ext 的方法，效果对比基线模型有明显的提升。
本文分析了小目标检测中使用IoU的最大缺点，对于位置的微小变化太过敏感，因此提出了一种新的度量包围框相似度的方法，用来替换IoU，从实验结果来
导读显式的使用loss来对齐分类和定位任务。TOOD: Task-aligned One-stage Object Detection论文链接：后台发送“tood”获取论文和代码链接。1、介绍现有的物体检测方法的2个局限性：（1）分类和定位的独立性。目前，分类和定位一般用的是2个独立的分支，这样使得2个任务之间缺乏交互，在预测的时候就会出现不一致性。得分...
启发式的定义anchor的质量并不好，物体和anchor之间并不能很好的对齐，比如，物体的尺寸可以是1/3到1/30，但是并不是所有的anchor都可以匹配，这种不匹配会加重前景和背景之间的类别不均衡，导致性能下降。
使用每个类的有效样本数量来重新为每个类的Loss分配权重，效果优于RetinaNet中的Focal Loss。
导读以Tiny YOLOV3的速度达到YOLOV3的效果。 论文链接：后台发送“小目标检测网络”获取论文链接。1. 介绍本文提出一种专门用于检测小目标的框架，框架结构如下图：我们探索了可以提高小目标检测能力的3个方面：Dilated模块，特征融合以及passthrough模块。 Dilated Module：上下文信息对于检测小目标是很重要的，一种方法...
YOLOv3 baseline 以Darknet53作为Baseline，给大家介绍如何一步一步过渡到现在的YOLOX-DarkNet53。YOLOv3是以Darknet53为主干，后面再加上SPP。我们对训练策略进行了一些修改，增加了EMA weights updating，余弦学习率，IoU损失，以及IoU-aware分支，在训练分类和objectness的分支中，我们使用了BCE loss。在数据增强方...
导读对于检测小目标有一定的借鉴意义。 论文下载：后台回复“红外小目标检测”获取论文下载链接。1. 介绍红外小目标检测的几个困难点：1、目标尺寸很小，没有结构，纹理，形状的信息。2、背景很复杂，各种噪声很多，目标很容易淹没在背景中。3、SCR很低，信号的对比度很低，信号强度相比于周围的区域，对比度不是很强。4、...
摘要：这篇文章提出了Dynamic Head的框架，将物体检测头和注意力机制整合到了一起。使用这种框架，可以在不同尺度的特征层之间做注意力，可以在空间范围内做空间注意力，可以在输出通道之间做任务的注意力。在不增加计算的情况下，该方法显著提升了目标检测头的表达能力。
首发：AI公园公众号作者：Harpal Sahota编译：ronghuaiyang导读实现了Google Research，Brain Team中的增强策略。像许多神经网络模型一样，目标检测模型在训练大量数据时效果最好。通常情况下，可用的数据有限，世界各地的许多研究人员正在研究增强策略，以增加可用的数据量。谷歌的大脑团队进行了一项这样的研究，并发...
这篇文章是对DSOD: Learning Deeply Supervised Object Detectors from Scratch，(DSOD)，来自复旦大学，清华大学，英特尔实验室中国的回顾。
