博主猫头虎的技术世界 🌟 欢迎来到猫头虎的博客 — 探索技术的无限可能！ 专栏链接： 🔗 精选专栏： 《面试题大全》 — 面试准备的宝典！《IDEA开发秘籍》 — 提升你的IDEA技能！《100天精通鸿蒙》 — 从Web/安卓到鸿蒙大师！《100天精通Golang（基础入门篇）》 — 踏入Go语言世界的第一步！《100天精通Go语言（精品VIP版）》 — 踏入Go语言世界的第二步！

论文地址：ACCV_2020_paper.pdf Abstract 简单介绍了本文贡献，当前SOTA的方法对短动作检测的准确率很低。本文是第一个分析了样本不均衡问题，并设计了一种新的尺度不变的损失函数来缓解短动作学习不够的问题。为了进一步实现提案生成任务，作者还采用了边界评价和提案完整性回归的pipline。 Introduction 作者发现，在时序动作检测中，在完整性预测中容易遗漏较短

博主猫头虎的技术世界 🌟 欢迎来到猫头虎的博客 — 探索技术的无限可能！ 专栏链接： 🔗 精选专栏： 《面试题大全》 — 面试准备的宝典！《IDEA开发秘籍》 — 提升你的IDEA技能！《100天精通鸿蒙》 — 从Web/安卓到鸿蒙大师！《100天精通Golang（基础入门篇）》 — 踏入Go语言世界的第一步！《100天精通Go语言（精品VIP版）》 — 踏入Go语言世界的第二步！

总结 加序列emb，multi-head self-attention/transformer 细节 当输入list排序变化后，用rank模型输出不变的排序list。multi-head self-attention堆叠解决。 representation-encoding-ranking 先用现有的ranking model做出来init ranking，再multi-head a

最近项目中在做人脸检测识别。现大致对人脸检测做一个总结归纳。 文章链接：《S3FD: Single Shot Scale-invariant Face Detector》 GITHUB ：https://github.com/sfzhang15/SFD This paper presents a real-time face detector, named Single Shot Scale

本文是我读完论文“BRINT: Binary Rotation Invariant and Noise Tolerant Texture Classification”，进行个人理解与总结，致敬作者，不涉及官方理解，也并没有与论文作者进行沟通。如有侵权，联系删除~~~ 一、BRINT开发背景 简要来说，BRINT(Binary Rotation Invariant and Noise Tole

DSM： Domain-invariant Stereo Matching Networks 域不变的立体匹配网络 作者‖ flow 编辑‖ 3D视觉开发者社区 3D开发者社区链接：https://mp.weixin.qq.com/s/qNmnGVSAuQU7KusI630-og 导语： 本文是由来自牛津大学、百度研究院以及香港中文大学团队发表的论文，该团队提出了域不变的立体匹配网络方法，

pdfl链接：https://pan.baidu.com/s/1Z-HY0Pr8pn11hJqQbfPAWw 提取码：yyds Distinctive Image Features from Scale-Invariant Keypoints DavidG.Lowe Computer Science Department, University of British Columbia, Vanc

LIFT: Learned Invariant Feature Transform 论文概述 创新点 使用统一的模型进行端到端的有监督训练利用了传统特征提取的先验知识 方法 训练过程 * 分阶段训练* 利用SfM中sift的位置和角度，训练描述符网络* 利用SfM中sift的位置，和训练好的描述符网络，训练旋转估计网络* 利用已经训练好的旋转估计和描述符网络训练特征点提取网络* 损失

论文：Exploring Modality-shared Appearance Features and Modality-invariant Relation Features for Cross-modality Person Re-Identification 1.创新点 本文的创新点在于，作者提出表观特征的不同通道关注着人体的不同部位，所以使用三维卷积寻找不同通道之间的关系，即人体部位