转载自：http://zhangliliang.com/2016/04/13/paper-note-ohem/ Training Region-based Object Detectors with Online Hard Example Mining是CMU实验室和rbg大神合作的paper，cvpr16的oral，来源见这里：http://arxiv.org/pdf/1604.03540

文章目录 AbstractIntroductionImageNet-CNN and Places-CNNUncovering the CNN Representation简化输入图像可视化单元的感受野和激活模式 Conclusion hh Abstract 随着卷积神经网络(CNN)等新的视觉处理计算架构的成功，以及对包含数百万个标记示例的图像数据库的访问(例如:(Ima

一 核心思想 为了降低内存和计算成本，现有的基于point的pipeline通常采用随机采样或FPS采样来逐步下采样输入点云，尽管并非所有的点对目标检测任务都同等重要。特别是，前景点在本质上比背景点对目标探测器更重要。基于此，本文提出了一种高效的single-stage point-based 3D detection——IA-SSD。 该方法的关键是利用两种可学习的、面向任务的、实例感知的do

(一) Title 论文地址:https://arxiv.org/abs/2207.02039 (二) Summary 研究背景： 在目标检测任务中KD发挥着压缩模型的作用，但是对于heterogeneous detectors(异构)之间的蒸馏仍然lack of study。 本文的主要工作 来自异构教师的FPN feature能够帮助具有不同detect head和label ass

Attacking Fake News Detectors via Manipulating News Social Engagement----《通过操纵新闻社交互动来攻击假新闻检测器》 摘要   在年轻一代中，获取新闻的主要来源之一是社交媒体。随着新闻在各种社交媒体平台上日益流行，虚假信息和毫无根据的言论的传播也随之激增。随着提出了各种基于文本和社交背景的虚假新闻检测器，最近的研究开始 关

作者信息   第一作者Siyuan Qiao目前是约翰霍普金斯大学的博士生，第二作者是著名的DeepLab系列算法的主要作者、谷歌公司的研究员Liang-Chieh Chen。   在COCO数据集的实例分割和全景分割任务中，DetectoRS，成为当前目标检测、语义分割和全景分割领域的全能者。   介绍 在本文中，作者探索了用于目标检测的主干设计中的这种机制。在宏级别提出

论文url https://arxiv.org/pdf/1802.04528.pdf @article{kreuk2018deceiving, title={Deceiving end-to-end deep learning malware detectors using adversarial examples}, author={Kreuk, Felix and Barak, Assi

文章目录 1、论文总述2、baseline：HTC介绍3、ASPP模块介绍4、RFP模块的具体实现5、SAC模块的具体实现6、SAC与条件卷积的区别7、SAC中的global context与SENet中的不同8、 Ablation Studies9、 State-of-the-art comparison on COCO test-dev10、SAC和RFP的优势（可视化结果）参考文献

0 写在前面 开源基于mmdetection 1 递归特征金字塔（RFP） 提出的递归特征金字塔（RFP）建立在特征金字塔上（FPN），通过额外的反馈链接从FPN层合并到自下而上的骨干层，将递归结构展开为顺序实现。该主干网络可以将图像查看两次或更多次。 （a）为FPN的经典结构（b）中的连接线为RFP提出的反馈连接方式（c）展示了RFP按顺序展开的网络反馈链接为第一次FPN各层输出经过A

DetectoRS: Detecting Objects with Recursive Feature Pyramid and Switchable Atrous Convolution Abstract 许多现代的物体探测器都是通过观察和思考两遍的机制表现出出色的性能。在本文中，本文在目标检测的主干设计中探讨了这种机制。在宏观层面，本文提出了递归特征金字塔，它将特征金字塔网络的额外反馈连接