前言 针对定位精度受到不准确边界框的严重影响，而分类精度受影响较小，因此本文提出利用分类作为指导信号来改进定位结果。通过将目标视为实例包，作者提出了一种目标感知多实例学习方法（OA-MIL），其特点是目标感知实例选择和目标感知实例扩展。前者旨在为训练选择准确的实例，而不是直接使
前言 论文指出，大规模目标的性能下降是由于集成FPN后出现了不正确的反向传播路径。它使得骨干网络的每一层仅具有查看特定尺度范围内的目标的能力。基于这些分析，提出了两种可行的策略，以使主干的每一层都能够查看基于FPN的检测框架中的所有目标。一种是引入辅助目标函数，使每个主干
ECCV2020的一篇关于3D姿态视频评估的文章 论文地址：https://arxiv.org/abs/2004.13985 Github地址：好像没找到官方的，但已经有非官方的供参考：https://github.com/tamasino52/UGCN 单位：亚马逊、港中文 摘要 作者提出了一个新的损失函数，称之为motion loss，用于解决单目下从2D pose到3D H
论文提出用于特征金字塔的高效特征交互方法FPT，包含3种精心设计的特征增强操作，分别用于借鉴层内特征进行增强、借鉴高层特征进行增强以及借鉴低层特征进行增强，FPT的输出维度与输入一致，能够自由嵌入到各种包含特征金字塔的检测算法中，从实验结果来看，效果不错 来源：晓飞的算法工程
基于相位感知步态周期重建网络的单幅图像步态识别 ECCV 2020 南京理工大学 摘要：我们首次提出了一种仅从单个图像进行步态识别的方法，该方法实现了无延迟的步态识别。为了缓解匹配的一对输入单帧图像之间的相位(步态姿势)差异导致的受试者内部的巨大变化，我们首先使用自动编码器框
ECCV 2018 https://openaccess.thecvf.com/content_ECCV_2018/papers/Bolei_Zhou_Temporal_Relational_Reasoning_ECCV_2018_paper.pdf link meaningful transformations supervised activity recognition sample frames in a certain interval! 1 Introduction recognize t
DETR基于标准的Transorfmer结构，性能能够媲美Faster RCNN，而论文整体思想十分简洁，希望能像Faster RCNN为后续的很多研究提供了大致的思路 来源：晓飞的算法工程笔记 公众号 论文: End-to-End Object Detection with Transformers 论文地址：https://arxiv.org/abs/2005.12872 论
边界对于定位问题十分重要，BorderDet的核心思想BorderAlign巧妙又有效，将边界特征融入到目标定位预测中，而且能够简单地融入到各种目标检测算法中带来较大的性能提升下。在开源实现中，对BorderAlign进行了高效CUDA实现，不会对耗时带来很大的影响，整个工作十分扎实 来源：晓飞的算法工
简介 paper:Distractor-aware Siamese Networks for Visual Object Tracking code:foolwood/DaSiamRPN 参考:ECCV视觉目标跟踪之DaSiamRPN的评论区~ 这篇论文是在SiamRPN的基础上改进的。论文提出的动机主要有两点：一是在之前的siamese跟踪器只能区分开前景和无语义的背景(non
论文：https://arxiv.org/abs/2001.10291 代码：https://github.com/JimmyChame/SADNet 当前基于CNN的图像去噪方法取得很大进展，但是 Traditional CNN can use only the features in local fixed-location neighborhoods, these methods result in oversmoothing artifacts and som
C V CV CV 一 ICCV 二 ECCV 三 CVPR 四 NIPS 五 IJCAI 六 ICLR 七 AAAI
Joint 3D Layout and Depth Prediction from a Single Indoor Panorama Image 2020_ECCV 目录 Abstract Introduction Related Words Depth Estimation Method Input and Pre-processing Coarse Depth and Semantics Layout Prediction Depth Refifinement Abstract In th
论文针对当前anchor-free目标检测算法的问题提出了DDBNet，该算法对预测框进行更准确地评估，包括正负样本以及IoU的判断。DDBNet的创新点主要在于box分解和重组模块(D&R)和语义一致性模块，分别用于解决中心关键点的回归不准问题以及中心关键点与目标语义不一致问题。从实验来看，DDBNet
GINet：Graph Interaction Network for Scene Parsing 论文地址：https://arxiv.org/pdf/2009.06160.pdf 一、背景 Scene Parsing 任务属于语义分割的一个分支，也是把每个像素点分成一个具体的语义类别，它和常见的语义分割的区别在于 Scene Parsing 任务的数据集里的类
