本文转自公众号码科智能

目标检测：RefineDet

论文名称：Single-Shot Refinement Neural Network for Object Detection

论文链接：https://arxiv.org/abs/1711.06897

代码链接：https://github.com/sfzhang15/RefineDet

论文简介：

RefineDet一方面引入two stage类型的目标检测算法中对box的由粗到细的回归思想（由粗到细回归其实就是先通过RPN网络得到粗粒度的box信息，然后再通过常规的回归支路进行进一步回归从而得到更加精确的框信息，这也是two stage类型的object detection算法效果优于one stage类型的一个重要原因）。另一方面引入类似FPN网络的特征融合操作用于检测网络，可以有效提高对小目标的检测效果，检测网络的框架还是SSD。

论文结果：

目标分割：Path Invariance Network in Tensorflow

论文名称：Path-Invariant Map Networks

论文下载：https://arxiv.org/abs/1812.11647

代码链接：https://github.com/zaiweizhang/path_invariance_map_network

论文简介：

本文研究了有向映射网络的自然自监督约束，即路径不变性，它强制一对固定的源域和目标域之间沿不同路径的合成映射是相同的。介绍了有效编码路径不变性约束的路径不变性基，提出了一种输出具有多项式时间和空间复杂性的路径方差基的算法。

论文结果：

目标检测：SNIP

论文名称：An Analysis of Scale Invariance in Object Detection-SNIP

论文下载：https://arxiv.org/abs/1711.08189

代码链接：https://github.com/mahyarnajibi/SNIPER

论文简介：

这篇文章主要的研究点是目标检测中的小物体问题。小物体检测一直是目标检测中的难题，做过实验的同学应该都知道数据集中small类的AP基本是最低的，主要原因是两个，一个就是CNN网络提取到的语义化特征和分辨率之间的矛盾；另一个也是我最近才想明白的，就是目前的目标检测都采用了Faster RCNN的Anchor思想，小物体有时候即使全部在Anchor内，也容易因为小面积导致IoU过低。

论文结果：