CVPR 2019 有哪些值得关注的亮点？ 第1页

我可以说一下我看了哪些CVPR的论文，作为对自己这段时间阅读的总结。

1.Few-shot Adaptive Faster R-CNN

最近我也在寻找目标检测的其他方向，一般可以继续挖掘的方向是从目标检测的数据入手，困难样本的目标检测，如检测物体被遮挡，极小人脸检测，亦或者数据样本不足的算法。这里笔者介绍一篇小样本（few-shot）数据方向下的域适应（Domain Adaptation）的目标检测算法，这篇新加坡国立大学&华为诺亚方舟实验室的paper《Few-shot Adaptive Faster R-CNN》。

创新点：

（1）. 论文分为两个level的域迁移，图像级别的域迁移和实例级别的域迁移。

（2）. 为了解决小样本问题，使用了成对训练，类似笛卡尔积的操作，把目标域物体与源域物体结对训练。源域对 和源域-目标域对 ​。判别器判断样本来源，生成器是特征提取器器目标是混淆判别器。

（3）. 最后加了个模型正则化，是模型更加鲁棒。

详细的可以看我的论文解读：

最近域适应和小样本方向都是可以继续研究的方向，我觉得这篇给的思路是不错的，但是这样非对偶式的组队解决了问题不够优雅。

2. Libra R-CNN

不需增加计算成本的条件下，居然能涨两个点mAP。除了Libra R-CNN（天秤座 RCNN），我还记得陈恺大佬他们港中文的实验室今年还中了一篇CVPR2019是《Region Proposal by Guided Anchoring》，这篇看题目就知道是指导anchor的形状涨分，也是十分不错的。

​ 这两篇改进的源码都会在github上放出，作者表示还在完善中，地址是：https://github.com/open-mmlab/mmdetection

这个mmdetection简直是业界良心，听说十分好用，很多打比赛的都用这个框架。

纵观目前主流的目标检测算法，无论SSD、Faster R-CNN、Retinanet这些的detector的设计其实都是三个步骤：

• 选择候选区域
• 提取特征
• 在muti-task loss下收敛

往往存在着三种层次的不平衡：

• sample level
• feature level
• objective level

这就对应了三个问题：

• 采样的候选区域是否具有代表性？
• 提取出的不同level的特征是怎么才能真正地充分利用？
• 目前设计的损失函数能不能引导目标检测器更好地收敛？

对应了三种解决方法：

• IoU-balanced Sampling
• Balanced Feature Pyramid
• Balanced L1 Loss

这篇是我最近看来文章结构最清晰明了，分析到位的paper了，虽然以前也有很多分析目标检测的缺陷的文章，但是Libra-RCNN这篇分析是到位的，都给出了对应的解决方案。

3. A Simple Pooling-Based Design for Real-Time Salient Object Detection

本文是基于U型结构的特征网络研究池化对显著性检测的改进，具体步骤是引入了两个模块GGM(Global Guidance Module，全局引导模块)和FAM(Feature Aggregation Module，特征整合模块)，进而锐化显著物体细节，并且检测速度能够达到30FPS。因为这两个模块都是基于池化做的改进所以作者称其为PoolNet，并且放出了源码：https://github.com/backseason/PoolNet

创新点：

提出了两个模块：

• GGM(Global Guidance Module，全局引导模块)
• FAM(Feature Aggregation Module，特征整合模块)

FAM有以下两个优点：

• 帮助模型降低上采样（upsample）导致的混叠效应（aliasing）
• 从不同的多角度的尺度上纵观显著物体的空间位置，放大整个网络的感受野

说实话，我觉得这篇写得有点乱，我看了很久才知道怎么做的，尤其这个全局引导模块有点突兀。但是源码给出来了，大家可以去试用一下。

4. BASNet: Boundary-Aware Salient Object Detection

BASNet该方法主要的亮点在于引入结构相似性损失，最后三种损失（BCE损失，SSIM损失，IoU损失）相加，同时考虑，着眼于解决边界模糊问题，更注重边界质量，因为在结构相似性损失下，边界的损失会比显著性物体内部或其他地方赋予的权重更高。文章也尝试从三种层次上解答为什么设计三个损失，结构还算清晰。但是个人认为主要还是结构相似性损失的引入比较有价值。

创新点：

主要创新点在loss的设计上，使用了交叉熵、结构相似性损失、IoU损失这三种的混合损失，使网络更关注于边界质量，而不是像以前那样只关注区域精度。

源码：https://github.com/NathanUA/BASNet

结构相似性损失：

这三行热力图变化，颜色越红代表损失对待该像素点的权重越大，也就是越重视该点，越蓝表示权重对待越小。从第一行的BCE损失变化可以看出，BCE损失是pixel-wise的，它是一个非常公平的损失函数，对待前景和背景一开始区别不大，训练过程中几乎达到了任何像素点都一视同仁。

而第二行关于结构相似性损失的变化，可以看到无论​和​怎么变化都是对显著物体边界赋予较高的权重。

---

  zhou-bo-lei 网友的相关建议: 
      

共产主义政党长期治理的喀拉拉邦在印度处于人类发展指数的前茅，这就是共产主义对印度的影响。

另外，南亚人是非常非常喜欢取经名的。这也是一个地域特色了。

---