原创 Occlusion Robust Face Recognition Based on Mask Learning with Pairwise Differential Siamese Network

論文:https://arxiv.org/abs/1908.06290 0 摘要 前幾年進行了大量使用CNN進行人臉識別的研究,但是,現有的這些通用CNN模型對有遮擋的人臉的識別效果較差。基於人眼在進行有遮擋的人臉識別時主要關注的

原创 MobileFaceNets

論文:MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices 0 摘要 作者簡單分析了普通的移動式設備上部署

原创 cosface

論文:CosFace: Large Margin Cosine Loss for Deep Face Recognition 0 摘要 人臉識別進來取得了巨大的進步,人臉識別的核心問題是對人臉圖像進行高質量的特徵。但是,傳統的so

原创 center loss

論文:A Discriminative Feature Learning Approach for Deep Face Recognition 0 摘要 本文爲人臉識別任務提出了center loss,可以爲每一個人臉類別學習特徵

原创 CNN中的深度可分離卷積、組卷積、空洞卷積、可變性卷積

參考: https://zhuanlan.zhihu.com/p/28749411 https://blog.csdn.net/Chaolei3/article/details/79374563 1 普通卷積 CNN中的普通卷積是

原创 Efficient Net

論文:https://arxiv.org/abs/1905.11946?context=stat.ML 代碼: https://github.com/tensorflow/tpu/tree/master/models/offici

原创 Group Normalization

論文:https://arxiv.org/abs/1803.08494 代碼:https://github.com/facebookresearch/Detectron/blob/master/projects/GN 0 摘要 B

原创 DetNet

文章:https://arxiv.org/abs/1804.06215 0 摘要 基於CNN的目標檢測算法,無論是一階段算法(YOLO,SSD,RetinaNet)還是兩階段算法(Faster R-CNN,R-FCN,FPN)都是

原创 SENet

論文:https://arxiv.org/abs/1709.01507 1 核心思想 SENet論文提出了一種新的特徵處理方法,就是SE Block,全稱爲Squeeze-and-Excitation block。其處理過程如下圖

原创 Towards Real-Time Multi-Object Tracking

文章:https://arxiv.org/pdf/1909.12605v1.pdf 代碼:https://github.com/Zhongdao/Towards-Realtime-MOT 0 摘要 現代的多目標追蹤(MOT)系統大

原创 Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics

論文:https://arxiv.org/abs/1705.07115v3 1 問題引出 多任務聯合學習可以提升各任務的學習效果,因爲多任務可以共享數據集、共享低層特徵。但多任務聯合學習時,該如何對各子任務的損失函數進行加權才能取

原创 Bilinear CNNs for Fine-grained Visual Recognition

1 簡介 細粒度識別即對隸屬於同一類的目標進行分類,包括鳥的物種識別、汽車的型號識別和狗的品種識別。細粒度識別高度依賴目標的局部特徵,例如,要將“加利福尼亞鷗”與“環嘴鷗”區分開來,需要識別其喙上的圖案或它們羽毛的細微顏色差異。兩

原创 [未解決]TensorRT推理過程CUBLAS_STATUS_EXECUTION_FAILED

使用tensorRT進行YoloV3檢測時,在運行tensorRT的m_Context->enqueue函數時,出現了下面所示的bug: ERROR: c:\p4sw\sw\gpgpu\MachineLearning\DIT\re

原创 Single-Shot Refinement Neural Network for Object Detection

文章:https://arxiv.org/abs/1711.06897 代碼: https://github.com/sfzhang15/RefineDet 0 摘要 對於目標檢測,兩階段的方法(如Faster R-CNN)取得了

原创 Focal Loss for Dense Object Detection

文章地址:https://arxiv.org/abs/1708.02002 代碼: https://github.com/facebookresearch/Detectron 0 摘要 迄今爲止最高精度的目標檢測器基於由R-CNN