2021CVPR論文閱讀日誌（1）--目標檢測篇（1）：摘要翻譯：
YOLOF-You Only Look One-level Feature
1. 摘要：
本文重新回顧了一階段檢測器中的特徵金字塔網路（FPN），並指出FPN網路的成功在於他它面對目標檢測中的優化問題時的“分而治之”方法。從優化角度看，為了處理這個問題，我們沒有使用複雜的特徵金字塔結構，而是引入了一個可替代的方法--只使用一級特徵來進行檢測。基於這個簡單並且有效的方法，我們展示了我們的成果：You Only Look One-level Feature(YOLOF), 即你只用看一級特徵。在我們的方法中，我們提出了兩個關鍵的部分："Dilated Encoder擴張的編碼器"和“Uniform Matching統一匹配”，取得了可觀的進步，
在COCO benchmark上，我們做了大量的實驗證明了我們方法的有效性。我們的 YOLOF 與其特徵金字塔對應的 RetinaNet 取得了可比的結果，同時速度提高了 2.5倍。 在沒有transformer層的情況下，YOLOF 可以以單級特徵的方式與 DETR 的效能相匹配，訓練次數減少 7 個。 在 608*608 的影象尺寸下，YOLOF 在 2080Ti 上以 60 fps 的速度執行達到 44.3 mAP，比 YOLOv4 快13%。 程式碼可在https://github.com/megvii-model/YOLOF。
paper:https://arxiv.org/abs/2103.09460
code:
Towards Open World Object Detection
1. 摘要：
本模型跟人的直覺認識未知事物相關。啟發本文作者提出一個新的計算機視覺問題叫做：開放世界中的目標檢測。
這個模型的任務是：1）認識未標記過的未知類別物件。2）在不忘記之前類別的情況下，增量學習這些識別過的未知類目，且對應類別標籤進步取得。
我們量化這個問題，引入了一個實實在在的評價標準並提出了一個非常新穎的解決方法，我們稱之為：ORE：Open World Object Detector, 基於對比聚類和能量的未知類別。
我們的“實驗評估”和“消融研究”分析了 ORE 在實現開放世界目標方面的功效。 作為一個有趣的副產品，我們發現識別和表徵未知例項有助於減少增量物件檢測設定中的混淆，在那裡我們實現了最先進的效能，而無需額外的方法學努力。 我們希望我們的工作能夠吸引對這個新的研究方向的進一步研究。