上次我們給大家?guī)�來了關(guān)于CNN與圖像分割主題的論文，本次的主題是目標檢測，包含2D、3D的目標檢測，旋轉(zhuǎn)目標檢測，視頻目標檢測，大家在閱讀論文的同時也可親自動手實踐，快來看看吧！

目標檢測

目標檢測是與計算機視覺與圖像處理的計算機技術(shù)，處理的是在數(shù)字圖像和視頻中檢測出的特定類別的語義對象（如人類、建筑物或汽車）的實例。目標檢測的研究領(lǐng)域包括人臉檢測和行人檢測。目標檢測在計算機視覺的許多領(lǐng)域都有應用，包括圖像檢索和視頻監(jiān)控 。

2D目標檢測

1 Dense RepPoints： Representing Visual Objects with Dense Point Sets

作者：Yang Ze，Xu Yinghao，Xue Han，Zhang Zheng，Urtasun Raquel，Wang Liwei，Lin Stephen，Hu Han

機構(gòu)：北京大學，香港中文大學

簡介：本文提出了一種對象表示法，稱為dense Rep Points，用于靈活而詳細地建模對象外觀和幾何體。與邊界框的粗幾何定位和特征提取不同，DenseRepPoints自適應地將一組密集的點分布到對象上具有重要幾何意義的位置，為對象分析提供信息提示。技術(shù)的發(fā)展是為了解決與監(jiān)督訓練從圖像片段和符號密集點集相關(guān)的挑戰(zhàn)，并使這種廣泛的表示在理論上是可行的。此外，該表示的多功能性被用于在多個粒度級別上建模對象結(jié)構(gòu)。稠密的表示點顯著提高了面向幾何的可視化理解任務的性能，包括在具有挑戰(zhàn)性的COCO基準測試中對象檢測的1：6AP增益。

2 Corner Proposal Network for Anchor－free， Two－stage Object Detection

作者：Kaiwen Duan，Lingxi Xie，Honggang Qi，Song Bai，Qingming Huang，Qi Tian

機構(gòu)：中國科學院大學，華為

簡介：目標檢測的目標是確定目標在圖像中的類別和位置。本文提出了一種新的無錨的兩階段框架，該框架首先通過尋找潛在的角點組合來提取多個目標方案，然后通過獨立的分類階段為每個方案分配一個類別標簽。作者證明這兩個階段分別是提高查全率和查準率的有效解決方案，并且可以集成到一個端到端網(wǎng)絡中。他們的方法被稱為角點建議網(wǎng)絡（Corner proposition Network，CPN），它具有檢測不同尺度對象的能力，并且避免了被大量的誤報建議所迷惑。在MS－COCO數(shù)據(jù)集上，CPN達到了49．2％的AP，這在現(xiàn)有的目標檢測方法中具有競爭力。CPN同樣適用于計算效率的場景，在26．2／43．3fps時，CPN的AP達到41．6％／39．7％，超過了大多數(shù)具有相同推理速度的競爭對手。

3 BorderDet： Border Feature for Dense Object Detection

作者：Han Qiu，Yuchen Ma，Zeming Li，Songtao Liu，Jian Sun

機構(gòu)：曠視科技，西安交通大學

簡介：密集型目標探測器依賴于滑動窗口模式，它可以在規(guī)則的圖像網(wǎng)格上預測目標。同時，采用網(wǎng)格點上的特征映射生成邊界盒預測。點特征使用方便，但可能缺少精確定位的明確邊界信息。本文提出了一種簡單高效的邊界對齊算子，從邊界的極值點提取“邊界特征”，以增強點特征。在BorderAlign的基礎上，作者設計了一種新的檢測體系結(jié)構(gòu)BorderDet，它明確地利用了邊界信息來實現(xiàn)更強的分類和更精確的定位。使用ResNet－50主干，他們的方法將單級探測器FCOS提高了2．8 AP增益（38．6 v．s．41．4）。通過ResNeXt－101－DCN主干，他們的BorderDet獲得了50．3 AP，優(yōu)于現(xiàn)有的最新方法。