Abstract提出了一个全卷积one-stage目标检测器——FCOS，以逐像素的方式解决目标检测，类似语义分割。目前所有最先进的目标检测器依赖预定义的Anchor Boxes。相比之下，我们所提出的FCOS是anchor box free、proposal free的。通过消除预定义的anchor box集合，FCOS完全避免了anchor box相关的计算，例如在训练期间计算重叠率。更重要的

摘要提出CornerNet:一种新的目标检测方法，使用单个卷积神经网络，将目标边界框当做一组关键点（左上角、右下角）进行检测。消除了Anchor Boxes。 提出Corner Pooling，一种新的池化层，帮助网络更好的定位关键点。 实验表明，CornerNet在MS COCO数据集上，达到42.2%的AP。 1. 介绍目前最先进目标检测方法的一个主要组成部分是Anchor Box，是用于检测

​ 2020.9.26，厦门观音山沙滩，海鲜自助烧烤+中秋博饼~

AbstractTwo- Stage :sparse One-stage:dense(更快，更简单，但精度落后于Two-Stage，极端前景背景类别失衡是主要原因） FocalLoss在稀疏的hard examples上训练，避免大量easy negatives在训练时淹没检测器。 通过reshape标准交叉熵损失，降低已经很好被分类的样本的损失，从而解决类不平衡问题。 设计和训练了一个简单的稠密

本次主要对GoogLeNet系列的学习进行完善，学习了其Inception V2、V3、V4版本。（注：此处对GoogLeNet版本的划分以v4版论文中的划分为标准。v2版本为Batch Normalization的论文。此前作者把在《Rethinking the Inception Architecture for Computer Vision》提出的网络结构叫做v2，此处将其称为v3。） 参

批量归一化：通过减少内部协变量偏移来加速深度网络训练摘要训练深度神经网络非常复杂，因为在训练过程中，随着先前各层的参数发生变化，各层输入的分布也会发生变化。这通过要求较低的学习率和仔细的参数初始化来减慢训练速度，并且很难训练具有饱和非线性的模型。我们将这种现象称为内部协变量偏移，并通过标准化层输入来解决这个问题。我们的方法力图使标准化成为模型架构的一部分，并为每个训练中的小批量数据执行标准化。批标

本次阅读首先学习了CVPR2020上的SOTA目标检测方法：EfficientDet[1]。之前在学习SSD算法时，其网络结构采用了VGG16中的一些网络层，之前也在很多地方见过将VGG16作为对比参照。YOLO中也采用了GoogLeNet架构。此前的学习过程中一直对VGG16、GoogLeNet不太熟悉，故本次补充学习了4个基础的CNN经典模型：LeNet[2]、AlexNet[3]、VGG

之前的网站部署在国外服务器上，导致在国内访问时速度较慢，而且在微信中访问时会弹出中间页，提示”非微信官方网页”，这导致浏览体验变得极差。 因此，考虑将博客迁移到国内的阿里云，同时进行合法的ICP备案、公安备案，做一个守法的好公民。 1. 域名和虚拟云主机的购买，新的域名为：htx1998.cn 2. 网站备案之后需要在工业和信息化部申请实名备案，网站才能正常解析。然而备案的过程并非一帆风顺

ImageNet Classification with Deep Convolutional Neural Networks摘要我们训练了一个庞大的深层卷积神经网络，将ImageNet LSVRC-2010比赛中的120万张高分辨率图像分为1000个不同的类别。在测试数据上，我们取得了37.5％和17.0％的top-1和top-5的错误率，这比以前的先进水平要好得多。具有6000万个参数和650

摘要在计算机视觉中，模型效率变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络体系结构设计选择，并提出了一些关键的优化措施来提高效率。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），该网络可以轻松快速地进行多尺度特征融合。其次，我们提出了一种复合缩放方法，该方法可以同时对所有主干，特征网络和框/类预测网络的分辨率，深度和宽度进行统一缩放。基于这些优化和EfficientNe