这7篇CVPR 2020 目标检测论文项目都开源了！EfficientDet/ATSS/Hit-De...

重磅干货，第一时间送达

前言

近期 CVer 会陆续更新 CVPR 2020 论文开源项目系列，此系列的重点是：CVPR 2020 + 开源。这里是第一篇关于目标检测的文章。

其实 CVPR 2020论文很多，按以前的套路是线下开会前一个月官网会放出所有paper的合集（含PDF下载）。今年CVPR 是6月开会，那么按规律5月份其实大家就能拿到1000多篇论文的PDF了。但这次受疫情影响，CVPR 2020线下会议可能会取消，所以到底什么时候能看到论文合集，这里要打个大大的问号了？

Amusi 整理论文开源项目的初衷，一方面知道大家特别热衷于开源论文（你懂得），另一方面开源的论文项目更方便大家理解(验证)论文。

这里的论文开源项目，其实是指提供了代码链接的论文。也就是含coming soon的情况，这里没法深究这类论文究竟什么时候开源。

由于3D目标检测也是相当热门，论文巨多，所以会单独出一篇来介绍。因此本文主要介绍CVPR 2020中的 2D目标检测相关论文。

1. ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择

作者团队：中科院&国科大&北邮等

论文链接：https:///abs/1912.02424

代码链接：https://github.com/sfzhang15/ATSS

注：ATSS在COCO上，single/multi scale分别可达47.7和50.7AP！很强势，现已开源！

论文解读：ATSS 目标检测的自适应正负anchor选择，很扎实的trick

2. EfficientDet

作者团队：谷歌大脑

论文链接：https:///abs/1911.09070

代码链接：

https://github.com/google/automl/tree/master/efficientdet

注：本文提出BiFPN和EfficientDet，在COCO上高达52.2 AP！是目前在没有做多尺度测试下最强的目标检测网络论文解读：一骑绝尘的EfficientNet和EfficientDet 和 全网第一SoTA成绩却朴实无华的PyTorch版EfficientDet

3. Hit-Detector

作者团队：北京大学&华为诺亚&悉尼大学

论文链接：https:///abs/2003.11818

代码链接：https://github.com/ggjy/HitDet.pytorch

注：性能优于Auto-FPN、DetNAS和NASFPN等网络。何谓三位一体：端到端同时发现目标检测器的backbone，neck和head

4. CentripetalNet

作者团队：西安交大&商汤&国科大&北航

论文链接：https:///abs/2003.09119

代码链接：

https://github.com/KiveeDong/CentripetalNet

注：Anchor-free目标检测新网络，在COCO上可达48 AP！性能优于CenterNet、RPDet等网络

论文解读：CentripetalNet：目标检测新网络，COCO 48%AP，超现所有Anchor-free网络

5. HTCN

作者团队：厦门大学&港中文

论文链接：https:///abs/2003.06297

代码链接：https://github.com/chaoqichen/HTCN

注：域自适应目标检测新网络，表现SOTA！性能优于MTOR、SWDA和MAF等网络

6. BiDet：高效的二值化目标检测器

作者团队：清华大学等

论文链接：https:///abs/2003.03961

代码链接：https://github.com/ZiweiWangTHU/BiDet

注：面向目标检测的二值化新网络，性能优于Bi-Real-Net、Xnor-Net和BNN等二值网络

7. Wetectron：实例感知，上下文相关和高效的弱监督目标检测

作者团队：伊利诺伊大学厄巴纳-香槟分校&NVIDIA

论文链接：https:///abs/2004.04725

代码链接：

https://github.com/https://github.com/NVlabs/wetectron

通过减少训练过程中对监督数据的需求，弱监督目标检测已经成为一个新的热门研究方向。主要挑战仍然存在：（1）目标实例的区分可能是模棱两可的；（2）检测器倾向于聚焦于区分parts而不是整个目标；（3）没有ground truth，目标proposals对于提高召回率是多余的，从而导致大量内存消耗。解决这些挑战非常困难，因为通常需要消除不确定性和简单的解决方案。为了解决这些问题，我们开发了一个实例感知和针对上下文的统一框架。它采用了实例感知的自训练算法和可学习的Concrete DropBlock，同时设计了一种内存有效的顺序批反向传播。我们提出的方法在COCO（12.1% AP, 24.8% AP50），VOC 2007（54.9% AP）和VOC 2012（52.1% AP）方面取得了最新的成果，基线大幅度提高。此外，该方法是第一个对基于ResNet的模型和弱监督视频目标检测进行基准测试的方法。

论文下载