在该报告中，首先使用Faster-RCNN和RetinaNet模型收到的结果，这些结果用于与原始工作进行比较。然后，用更高级的模型描述实验结果。 最后一部分回顾了用于Faster-RCNN模型的两个简单技巧，这些技巧用于最终提交：更改默认anchor scale参数和训练时图像tiling。 #目标检测# #密集目标检测#
这是密集场景中商品检测的第二名解决方案 | CVPR 2020 Workshop 代码现已开源！
作者Artem Kozlov。
本报告介绍了在CVPR 2020 Retail-Vision Workshop举行的检测挑战的第二名解决方案。
这项工作主要是通过重新实验来验证先前观察到的外卖食品，而不是进一步考虑先前的结果。通过合并流行的目标检测工具箱MMDetection，可以达到结果的可靠性和可重复性。
《Working with scale: 2nd place solution to Product Detection in Densely Packed Scenes [Technical Report]》
代码：https://github.com/tyomj/product_detection
论文下载：https://arxiv.org/abs/2006.07825
扫描二维码关注公众号，回复：
11565157 查看本文章
