作者：Edison_G
本周我们“计算机视觉研究院”主要推送了目标检测干货及中国人工智能大会内容，今天给大家总结一下！
公众号ID｜ComputerVisionGzq
学习群｜扫码在主页获取加入方式
半监督辅助目标检测：自训练+数据增强提升精度（附源码下载）
论文地址：https://arxiv.org/pdf/2005.04757.pdf
源代码：https://github.com/google-research/ssl_detection/
半监督学习 (SSL) 有可能提高使用未标记数据的机器学习模型的预测性能。尽管最近取得了显着进展，但SSL的演示范围主要是图像分类任务。 有研究者提出了STAC，这是一种用于视觉目标检测的简单而有效的SSL框架以及数据增强策略。STAC从未标记的图像中部署本地化目标的高度可信的伪标签，并通过数据增强提升一致性来更新模型。
- 用已有的标签图像训练一个教师模型(teacher model)用来生成伪标签(有点知识蒸馏那味了，这个模型是Faster-RCNN)。
- 用训练好的模型推理剩余的未标注的图像，生成伪标签。
- 对未标注的数据进行增强，同步伪标签（图像旋转的时候也要将标签的坐标同步呀，不然不都错位了吗）。
- 使用半监督Loss来训练检测器
论文地址：https://doi.org/10.3390/app11031096
提出了一种轻量级目标检测网络Single-Shot MultiBox Detector(SSD)7种特征融合和注意机制(FFAM)，该网络通过减少卷积层数，节省了存储空间，减少了计算量。研究者有提出了一种新的特征融合和注意机制(FFAM)方法来提高检测精度。首先，FFAM方法将高级语义信息丰富的特征图与低级特征图进行融合，提高了小目标的检测精度。采用由通道和空间注意模块级联的轻量级注意机制，增强目标的上下文信息，引导网络关注其易于识别的特征。
论文地址：https://arxiv.org/pdf/2007.11056.pdf源代码地址：https://github.com/Megvii-BaseDetection/BorderDet
研究者提出了一种简单高效的算子，称为 Border-Align，从边界的极值点提取“边界特征”以增强点特征。基于BorderAlign，研究者设计了一种称为BorderDet的新型检测架构，它明确利用边界信息进行更强的分类和更准确的定位。
计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
扫码关注
计算机视觉研究院
公众号ID｜ComputerVisionGzq
学习群｜扫码在主页获取加入方式
