前言 本文是对CVPR2017《Detecting Oriented Text in Natural Images by Linking Segments》论文的简要介绍和细节分析。该论文是华中科大白翔组的工作，主要针对自然场景下文本检测模型由char-level到word-level和line-level的检测。 关键词：SSD、Segment、Link、Scene Text Detectio

Abstract 本篇论文主要做了以下三点： 端到端的switch-CNN来预测人群密度；Switch-CNN将人群照片的片段送入到独立的CNN回归网络来得到最小的估计错误和提高密度局部利用人群密度的变化率；我们在三个通用数据集里测试网络的性能。   3 Our Approach        在这篇论文中，我们提出了一个选择CNN结构的网络，通过网络将一张图片分成各个片段（patch

师兄给我安利了CVPR2017的两篇最佳论文，就瞄了两眼；发觉最佳论文真的是简单易懂，特别是DenseNet感觉看图就可以了= = 越发觉越厉害的东西表述起来越简单,,ԾㅂԾ,, 首先是DenseNet，其实还是很意外是一个CNN的分类模型，因为传统去做分类模型感觉真的不受宠了，主要是很多指标太难再往上刷了，而且很少看到一个新的且普适的idea，我之前看到的最新的idea是face++的

Abstract 1、在过往研究中，图像去噪算法缺少无噪声的真值，而人为构建的噪声模型不真实，效果不好。 2、作者的思路：构建有噪图&对应的无噪图的成对真实数据集。 Amber：这是很硬核的做实事的思路，实现过程必然遇到很多工程问题。 获取有噪图和对应无噪图的方法：不同 ISO +适当调整曝光时长为获得真值的后处理步骤 基于异方差 Tobit 回归模型的线性强度变换来校正空间错位，处

ECO--CVPR2017--Martin Danelljan的大作--目标跟踪 论文简介论文作者给出的Matlab代码------环境配置InstallationUsing git clone 其他相关的开源代码visionml/pytrackingrockkingjy/OpenTracker CF滤波在目标跟踪中的应用其他基于深度学习的目标跟踪算法参考资料： 论文简介 Ma