【ICCV Workshop 2021】基于密度图的小目标检测：Coarse-grained Density Map Guided Object Detection in Aerial Images
对于每一幅图像，本文的方法的过程可以分为三个阶段。首先，利用密度估计模型预测图像的粗粒度密度图。其次，通过密度连接区域生成初始聚类区域，然后估计目标区域在聚类区域中的比例，并通过分割或扩大操作来调整聚类区域。最后，通过非最大抑制（NMS）来检测并合并所有的聚类区域。...
【ICPR 2021】遥感图中的密集小目标检测：Tiny Object Detection in Aerial Images
为了建立一个在航空图像中的微小物体检测的基准，作者还在AI-TOD数据集上评估了最先进的目标检测器。实验结果表明，将这些方法直接应用于AI-TOD会产生次优目标检测结果，因此需要设计新的微型目标检测器。因此，作者提出了一种基于多中心点的学习网络（M-CenterNet）来提高小目标检测的定位性能，实验结果表明，该性能提高显著。...
【CVPR 2020】会议版本：A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising
由于缺乏丰富和真实的数据，学习到的单幅图像去噪算法不能很好地推广到不类似于训练所用数据的真实原始图像。虽然噪声合成的异方差高斯模型可以缓解这一问题，但数码相机电子器件引起的噪声源在很大程度上仍被忽视。为了解决这个问题，作者提出了一个基于CMOS光传感器特性的高度精确的噪声形成模型，从而使我们能够合成真实的样本，更好地匹配图像形成过程的物理特性。...
【ICCV 2019】特征超分检测：Towards Precise Supervision of Feature Super-Resolution for Small Object Detection
作者提出了一种新的特征级超分辨率方法，利用适当的高分辨率目标特征作为监督信号训练的SR模型和匹配的相对感受野的训练对输入低分辨率特征和目标高分辨率特性，而且可以与任何基于特征池化的检测器集成。...
【ICLR 2021】半监督目标检测：Unbiased Teacher For Semi-Supervised Object Detection
半监督学习，即同时使用有标记和未标记数据的训练网络，最近取得了重大进展。然而，现有的工作主要集中在图像分类任务上，而忽略了目标检测。因此在这项工作中，作者重新讨论了半监督对象检测（SSOD），并确定了SSOD中的伪标记偏差问题。为了解决这个问题，作者引入了无偏见教师模型（Unbiased Teacher），这是一种简单而有效的方法，以互惠互利的方式共同训练学生模型和逐步进步的教师模型。...
【CVPR 2022】目标检测SOTA：DINO: DETR with Improved DeNoising Anchor Boxes for End-to-End Object Detection
本文提出了DINO（DETR with Improved deNoising anchOr boxes）使用 ResNet50 作为主干网络能够在 COCO 训练 12 轮能达到 48.3 mAP，36 轮能达到 51.0 mAP。与排行榜上的其他模型相比，DINO显著减少了模型大小和训练前的数据大小，同时取得了更好的结果。...
【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection
本文提出了一种用于无锚框SSOD的半监督学习算法。具体来说，为了对密集学习进行仔细的标签指导，本文首先提出了一种自适应过滤（AF）策略，从而将伪标签划分为三个细粒度的部分，包括背景、前景和可忽略区域。然后使用 MetaNet 对这些伪标签进行细化，以消除分类伪正样本...
【无监督纳米粒子分割】AutoDetect-mNP: An Unsupervised Machine Learning Algorithm
因此本文开发了一种无监督的算法 AutoDetect-mNP，用于分析 TEM 图像和对 mNPs 的粒子形状进行分类，在这个过程中需要最少的人工输入，如上图。本文演示了 AutoDetect-mNP 算法的定量可靠性，以及它作为一个无偏的一般检测方法的潜力，可以用于纳米颗粒的形状分布的描述。本文使用两个不同醒转的金纳米颗粒（AuNPs）数据集用作演示。...
信息学奥赛一本通 1349：【例4-10】最优布线问题 | 1350：【例4-11】最短网络(agrinet)
该题输入的是邻接矩阵，因此使用邻接矩阵解决该问题。当然也可以保存为邻接表。最小生成树模板题，求最小生成树所有边权加和。记图中顶点数为V，边数为E。
信息学奥赛一本通 1391：局域网(net)
因此该题需要求原图的最小生成树，求出最小生成树的边权值加和，用原图所有边的权值加和减去最小生成树的边权值加和，即为去掉的边权值加和的最大值。要使n个顶点的图中任意两顶点之间都有路径，而且没有回路，那么就需要不断去掉边，剩下的图是原图的生成树。要使得去掉边的权值加和最大，那么就是要求剩下的生成树的所有边的权值加和最小。一个局域网中任何两台电脑都可以连通，也就是说图中任意两顶点之间都有路径。每台电脑是一个顶点，两台电脑间的网线是边。记图中顶点数为V，边数为E。就是两个顶点之间边的权值。
android 图层妙用之 layer-list的基本使用介绍
1. layer-list 是啥？有啥作用？点击查看 安卓官方开发指南中关于layerlsit的说明(1). layer-list 是啥？简单理解，layer 是层，list 是列表，那么 layer-list 就是层列表的意思。但是，是什么层列表呢？？ 其实 layer-list 是用来创建 LayerDrawable 的，LayerDrawable 是 DrawableResource 的一种， 所以，layer-list 创建出来的是 图层列表，也就是一个drawable 图形。(2).
Android O报错： Error inflating class android.webkit.WebView / For security reasons, WebView is not all
Android O报错： Error inflating class android.webkit.WebView / For security reasons, WebView is not all
java.lang.ClassNotFoundException: com.android.webview.chromium.WebViewChromiumFactoryProviderForOMR1
error loading provider java.lang.ClassNotFoundException: com.android.webview.chromium.WebViewChromiumFactoryProviderForOMR1
今日推荐
周排行