这里主要介绍两篇ECCV2018的论文，都是关于神经网络层中的normalization归一化的。 目录 《Group Normalization》【ECCV2018】 方法 代码  实验  《Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net》【ECCV2018】 摘要 Instanc

论文提出了CornerNet，通过检测角点对的方式进行目标检测，与当前的SOTA检测模型有相当的性能。CornerNet借鉴人体姿态估计的方法，开创了目标检测领域的一个新框架，后面很多论文都基于CorerNet的研究拓展出新的角点目标检测   来源：晓飞的算法工程笔记 公众号 论文: CornerNet: Detecting Objects as Paired Keypoints 论

Unveiling the Power of Deep Tracking 论文地址 Motivation 目前目标跟踪领域的训练数据太少，而且在跟踪的时候我们只知道第一帧的ground-truth，所以其实后面帧都是没见过的物体，所以模型需要处理没见过的物体；对于deep learning在目标跟跟踪领域只是利用了中低层的数据，由于深度网络是用分辨率来换高层鲁棒的特征。但是高层的特征会失去很多

Structured Siamese Network for Real-Time Visual Tracking 论文地址 这篇文章里面挺多地方不怎么懂，就记录一下，望指正。 Motivation 目前已有的很多tracker都只关注目标的整体模型表示而忽略了一些细节的信息，这样会使得tracker对一些blur，occlusion不够鲁棒；然而一些基于局部模型的tracker都是将目标刚性

Meta-Tracker: Fast and Robust Online Adaptation for Visual Object Trackers 论文地址 代码 写在前面 因为我自己对元学习没有太细致了解过，所以想要深刻理解这篇论文可能还是需要比较扎实的meta-learning基础，这篇文章将元学习引入目标跟踪中，对比了CREST和MDNet加了meta-learning之后的结果，在这

Triplet Loss in Siamese Network for Object Tracking 项目主页 写在前面 这篇文章发表在ECCV2018上，速度快，精度还行，但是个人感觉还是因为方法比较新才被接收的。这篇文章的思路其实很简单，很大的篇幅都是在解释triplet loss为什么管用，在这里就不详细描述这块内容，主要掌握一下思路，具体的公式以及可视化的比较可以去看论文。 Mot

SIGAI特约作者 谢恩泽 同济计算机研三在读，face++ 研究实习生 主要研究方向为目标检测，语义分割等其中包括文字检测和识别 其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。 书的购买链接书的勘误，优化，源代码资源     前言：这篇文章是第一个做弯曲文本的端到端检测+识别。

贡献：为 one-to-one 的unpaired image translation 的生成图像提供多样性 提出假设：1、图像可以分解为style code 与 content code；2、不同领域的图像，共享一个content space，但是属于不同的style space； style code captures domain-specific properties, and co