上次我們給大家帶來了關于CNN與圖像分割主題的論文，本次的主題是目標檢測，包含2D、3D的目標檢測，旋轉目標檢測，視頻目標檢測，大家在閱讀論文的同時也可親自動手實踐，快來看看吧！

目標檢測

目標檢測是與計算機視覺與圖像處理的計算機技術，處理的是在數字圖像和視頻中檢測出的特定類別的語義對象（如人類、建筑物或汽車）的實例。目標檢測的研究領域包括人臉檢測和行人檢測。目標檢測在計算機視覺的許多領域都有應用，包括圖像檢索和視頻監控 。

2D目標檢測

1 Dense RepPoints： Representing Visual Objects with Dense Point Sets

作者：Yang Ze，Xu Yinghao，Xue Han，Zhang Zheng，Urtasun Raquel，Wang Liwei，Lin Stephen，Hu Han

機構：北京大學，香港中文大學

簡介：本文提出了一種對象表示法，稱為dense Rep Points，用于靈活而詳細地建模對象外觀和幾何體。與邊界框的粗幾何定位和特征提取不同，DenseRepPoints自適應地將一組密集的點分布到對象上具有重要幾何意義的位置，為對象分析提供信息提示。技術的發展是為了解決與監督訓練從圖像片段和符號密集點集相關的挑戰，并使這種廣泛的表示在理論上是可行的。此外，該表示的多功能性被用于在多個粒度級別上建模對象結構。稠密的表示點顯著提高了面向幾何的可視化理解任務的性能，包括在具有挑戰性的COCO基準測試中對象檢測的1：6AP增益。

2 Corner Proposal Network for Anchor－free， Two－stage Object Detection

作者：Kaiwen Duan，Lingxi Xie，Honggang Qi，Song Bai，Qingming Huang，Qi Tian

機構：中國科學院大學，華為

簡介：目標檢測的目標是確定目標在圖像中的類別和位置。本文提出了一種新的無錨的兩階段框架，該框架首先通過尋找潛在的角點組合來提取多個目標方案，然后通過獨立的分類階段為每個方案分配一個類別標簽。作者證明這兩個階段分別是提高查全率和查準率的有效解決方案，并且可以集成到一個端到端網絡中。他們的方法被稱為角點建議網絡（Corner proposition Network，CPN），它具有檢測不同尺度對象的能力，并且避免了被大量的誤報建議所迷惑。在MS－COCO數據集上，CPN達到了49．2％的AP，這在現有的目標檢測方法中具有競爭力。CPN同樣適用于計算效率的場景，在26．2／43．3fps時，CPN的AP達到41．6％／39．7％，超過了大多數具有相同推理速度的競爭對手。

3 BorderDet： Border Feature for Dense Object Detection

作者：Han Qiu，Yuchen Ma，Zeming Li，Songtao Liu，Jian Sun

機構：曠視科技，西安交通大學

簡介：密集型目標探測器依賴于滑動窗口模式，它可以在規則的圖像網格上預測目標。同時，采用網格點上的特征映射生成邊界盒預測。點特征使用方便，但可能缺少精確定位的明確邊界信息。本文提出了一種簡單高效的邊界對齊算子，從邊界的極值點提取“邊界特征”，以增強點特征。在BorderAlign的基礎上，作者設計了一種新的檢測體系結構BorderDet，它明確地利用了邊界信息來實現更強的分類和更精確的定位。使用ResNet－50主干，他們的方法將單級探測器FCOS提高了2．8 AP增益（38．6 v．s．41．4）。通過ResNeXt－101－DCN主干，他們的BorderDet獲得了50．3 AP，優于現有的最新方法。