CVPR 2020目标检测方向最新论文

CVPR 2020的录用结果已经出来好久了，这篇博客汇集了各方资料，下面应该是目前放出来的比较全的paper和code，我会大致介绍一下文章在做什么，方便大家更快地去选择性阅读。持续更新……

[1] EfficientDet: Scalable and Efficient Object Detection

Motivation： Google提出的目标检测方法，去年很早就放出来了，主要针对目标检测算法面临的两个挑战：多尺度特征融合和模型规模问题。
Method：文章提出了BiFPN和EfficientDet，通过改进 FPN 中多尺度特征融合的结构并借鉴EfficientNet 模型缩放方法，提出了一种模型可缩放且高效的目标检测算法 EfficientDet。COCO数据集上实现了51.0 mAP，而且参数量要小很多，算是目前的SOTA。

Paper: https://arxiv.org/abs/1911.09070v2
Code: https://github.com/google/automl/tree/master/efficientdet

[2] Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection

Motivation：作者首先说Anchor-based的方法与Anchor-free方法之间的本质区别实际上是如何定义正、负训练样本，如果这两类方法在训练过程中采用相同的正、负样本定义，最终的性能没有明显的差异。
Method：鉴于正、负样本的选择如此重要，作者提出自适应训练样本选择（ATSS），可根据检测物体的统计特征来自动选择正样本和负样本。ATSS显著地提高了Anchor-based和Anchor-free检测器的性能，并弥合了两者之间的差距。
ATSS

Paper: https://arxiv.org/abs/1912.02424
Code: https://github.com/sfzhang15/ATSS

[3] CentripetalNet: Pursuing High-quality Keypoint Pairs for Object Detection

Motivation：对于基于关键点的检测器，不正确的关键点匹配普遍存在，这严重影响了检测器的性能。
Method：文章提出了 CentripetalNet，预测角点（corner points）的位置（position）和向心偏移（centripetal shift），并对偏移结果对齐（aligned）的角点进行匹配。结合位置信息，该方法比传统的嵌入方法更精确地匹配角点。

Paper: https://arxiv.org/abs/2003.09119
Code: https://github.com/KiveeDong/CentripetalNet

[4] BiDet: An Efficient Binarized Object Detector

Motivation：常规的网络二值化方法直接对具有受限表示能力的一阶段或二阶段检测器中的权重和激活进行量化，网络中的信息冗余会导致大量误报并严重降低性能。
Method：文章提出了一种称为BiDet的二值化神经网络学习方法，充分利用二进制神经网络的表示能力，通过冗余去除来进行目标检测，从而通过减少误报来提高检测精度。性能比现有的二值化神经网络要好得多。
BiDet

Paper: https://arxiv.org/abs/2003.03961
Code: https://github.com/ZiweiWangTHU/BiDet

[5] Noise-Aware Fully Webly Supervised Object Detection

该论文首次提出一种基于全网络监督的目标检测，即只使用网络爬取的图片来训练目标检测器。由于网络图像和标签带有很多噪声，文章首先把噪声分为两种：前景噪声和前景缺失。文章提出一种噪声分解框架和空间敏感的熵准则来减低前景噪声的负面影响，同时提出一种打包混合策略来减少前景缺失带来的负面影响。实验结果表明该算法的性能比baseline算法在PASCAL VOC和COCO数据类别上分别有很大的性能提升。

Paper: To Be Discussed
Code: https://github.com/shenyunhang/NA-fWebSOD

[6] Harmonizing Transferability and Discriminability for Adapting Object Detectors

文章的核心思路在于协调与平衡传统无监督域对抗方法中存在的特征的可迁移性和判别性的矛盾，通过在不同层次校准特征的可迁移性来提高其判别性从实现细粒度的跨域特征对齐。该模型在多个跨域检测公开任务上均取得最优性能。
AOD

Paper: https://arxiv.org/abs/2003.06297
Code: https://github.com/chaoqichen/HTCN

[7] NAS-FCOS: Fast Neural Architecture Search for Object Detection

Motivation： NAS已经在分类任务上取得了极大的成功，但是在检测任务的应用却相当少，难点主要还是在于搜索空间巨大，评估的代价巨大。
Method：论文结合了当下的热点anchor-free的方法FCOS，搜索特征融合结构（FPN）和head，进一步提升FCOS的性能。
NAS-FOCS

Paper: https://arxiv.org/abs/1906.04423v4
Code: https://github.com/Lausannen/NAS-FCOS

[8] Hit-Detector: Hierarchical Trinity Architecture Search for Object Detection

Motivation：目前NAS目标检测方法只专注于搜索某个目标检测器的组件。
Method：文章提出了一个分层的三位一体搜索框架，以同时发现所有组件的有效架构，即这个是backbone-neck-head一起搜索。
Hit-Detector

Paper: https://arxiv.org/abs/2003.11818
Code: https://github.com/ggjy/HitDet.pytorch

[9] Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector

Motivation：传统的目标检测方法需要大量的训练数据，准备这样高质量的训练数据是费时费力的。
Method：文章提出了小样本的目标检测网络，核心是注意力RPN和多关系模块，充分利用少量训练样本和测试集之间的相似度来检测新对象，同时抑制背景中的错误检测。并且开源了一个包含1000类小样本目标检测数据集。
Few-Shot