新年焕新

2019年感谢你们和“计算机视觉战队”一起度过。这一年我们又加入了上万的学习爱好者和我们一起技术交流，感谢大家的支持，也感谢大家在学习群里的热火交流，感谢一致的关注和陪伴，接下来（2020年）我们会做的更好，给大家带来更多高质量的分享，我们一起进步！

我们从渺小的组织到现在庞大的学习群，希望我们都保持着当初心中的目标不要放弃，一直坚持下去当初下定决心所做的每件事，再一次感谢大家一路陪伴&支持。

不念过去

不畏将来

那我们开始目标检测，在2019年你肯定会有没有阅读的文章技术，在短暂的假期里， 可以选择性的去阅读，增加自己的见识和提高自己的创新能力。

我们会开放投票，选择投票最高的前五篇文章，我们平台会给大家带来详细讲解，若有时间，我们带领大家一起动手实践！

1. #目标检测# 遥感图像中的目标检测：综述和新的基准 《Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark》 注：提出新的数据集 DIOR，含23463 图像和190288实例, 覆盖20种目标，比DOTA数据集更大！Date：2019 Author：西北工业大学等

2. #(已开源)# 目标检测中是否需要采样启发式算法？《Are Sampling Heuristics Necessary in Object Detectors?》 注：解决前景-背景类别不平衡问题 Author：中科大

3. #3D目标检测# 用于自动驾驶的多传感器3D目标框优化 《Multi-Sensor 3D Object Box Refinement for Autonomous Driving》 注：优于PointPillar 和 Stereo R-CNN 等算法 Author：香港科技大学

4. #目标检测# 理解目标检测预训练的影响 《Understanding the Effects of Pre-Training for Object Detectors via Eigenspectrum》 Author：DENSO&早稻田大学等

5. #目标检测# CBNet：用于目标检测的新型backbone网络 《CBNet: A Novel Composite Backbone Network Architecture for Object Detection》 注：CBNet 在 COCO上可到 53.3 mAP！目前已知最高！Author：北京大学等

6. #3D目标检测# 基于三维结果的级联几何约束和二维检测的自主车辆三维边界框估计 《3D Bounding Box Estimation for Autonomous Vehicles by Cascaded Geometric Constraints and Depurated 2D Detections Using 3D Results》 Date：2019 Author：西安交通大学

7. #(已开源)# FoveaBox：超越基于Anchor的目标检测器 《FoveaBox: Beyond Anchor-based Object Detector》 Date：2019 Author：清华&字节跳动等

8. #目标检测# Cascade RPN：利用自适应卷积研究高质量区域提案网络 《Cascade RPN: Delving into High-Quality Region Proposal Network with Adaptive Convolution》NeurIPS 2019 注：提出一种新的卷积方式：Adaptive convolution，代码即将开源 Author：韩国科学技术院

9. #目标检测# WTN：通过迁移分类权重来缩放目标检测 《Scaling Object Detection by Transferring Classification Weights》 注：ICCV 2019，已开源！Author：南洋理工大学&Adobe

10. #行人检测# PedHunter：拥挤场景中的解决遮挡性的行人检测器 《PedHunter: Occlusion Robust Pedestrian Detector in Crowded Scenes》 Author：中科院&国科大

11. ForeSeE：用于3D目标检测的任务感知单目深度估计 《Task-Aware Monocular Depth Estimation for 3D Object Detection》 Date：2019 Author：阿德莱德大学&字节跳动

12. 基于Wasserstein距离的域自适应目标检测 《Wasserstein Distance Based Domain Adaptation for Object Detection》 Author：马里兰大学帕克分校等

13. 低功耗目标检测的系统级解决方案 《A System-Level Solution for Low-Power Object Detection》 Author：中科院&国科大

14. 基于CNN的RGB-D显著性目标检测：学习，选择和融合 《CNN-based RGB-D Salient Object Detection: Learn, Select and Fuse》 Date：2019 Author：香港城市大学

15. #3D目标检测# 以对象为中心的立体匹配，用于3D目标检测 《Object-Centric Stereo Matching for 3D Object Detection》 Author：多伦多大学

16. #3D目标检测# LiDAR中3D目标检测的范围自适应 《Range Adaptation for 3D Object Detection in LiDAR》 注：性能优于SECOND、VoxelNet等算法 作者：杜克大学&沃尔沃

17. #目标检测# GANet：无人机目标检测和计数的引导式注意力网络 《Guided Attention Network for Object Detection and Counting on Drones》 注：优于 YOLOV3、RetinaNet等算法 Author：中科院&国科大&京东等

18. Cascade RPN：利用自适应卷积研究高质量RPN 《Cascade RPN: Delving into High-Quality Region Proposal Network with Adaptive Convolution》NeurIPS 2019 注：Cascade RPN性能优于RPN，GA-RPN，同时提出一种新的卷积方式：Adaptive convolution，代码已开源！Author：韩国科学技术院

19. ARVDS：增强范围的车辆检测的生物启发式技术 《Bio-Inspired Foveated Technique for Augmented-Range Vehicle Detection Using Deep Neural Networks》IJCNN 2019 作者：圣维托利亚联邦大学

20. #显著性目标检测# ANDA：用于SOD的新型数据增广技术 《ANDA: A Novel Data Augmentation Technique Applied to Salient Object Detection》ICAR 2019 作者：巴拉那联邦大学

21. #目标检测# SkyNet：用于嵌入式系统上对目标检测和跟踪的硬件有效方法 《SkyNet: a Hardware-Efficient Method for Object Detection and Tracking on Embedded Systems》DAC-SDC 冠军解决方案 作者：IBM&伊利诺伊大学厄巴纳-香槟分校

22. #目标检测# ASSD：Attentive Single Shot Multibox Detector 《ASSD: Attentive Single Shot Multibox Detector》 注：好久没看到SSD的扩展网络了，ASSD 在 VOC 2007 上可达 83.0 mAP，代码已开源！作者：罗格斯大学

23. YOLO Nano：高度紧凑的YOLO目标检测网络 《YOLO Nano: a Highly Compact You Only Look Once Convolutional Neural Network for Object Detection》 注：YOLO Nano 比 Tiny YOLOv2 和 Tiny YOLOv3更小，更快，mAP更高！模型仅4.0MB。在 NVIDIA Jetson Xavier上速度竟高达26.9~48.2 FPS！

24. REQ-YOLO：用于FPGA上目标检测的资源感知型高效量化框架 《REQ-YOLO: A Resource-Aware, Efficient Quantization Framework for Object Detection on FPGAs》 注：真硬核，可高效运行在FPGA上的YOLO网络：REQ-YOLO！速度可高达200~300 FPS！作者：北京大学&东北大学(美国)&鹏城实验室

25. ViP：基于PyTorch的视频处理平台 《ViP: Video Platform for PyTorch》 注：ViP 支持视频行为识别、视频目标检测和视频显著性等任务，现已开源！作者：密歇根大学

26. xYOLO：在边缘设备上进行实时足球目标检测模型 《xYOLO: A Model For Real-Time Object Detection In Humanoid Soccer On Low-End Hardware》 注：xYOLO比Tiny-YOLO快了70倍！在GTX 960M速度高达700+FPS，在树莓派3B上可达10 FPS！模型仅0.82 MB大小 作者：坎特伯雷大学

27. 用于3D目标检测的多模式局部特征的自适应方位角融合网络 《Adaptive and Azimuth-Aware Fusion Network of Multimodal Local Features for 3D Object Detection》 注：性能优于MV3D、F-PointNet和AVOD-FPN等网络 作者：中科大&中科院等

28. #3D目标检测# Patch Refinement-局部3D目标检测 《Patch Refinement -- Localized 3D Object Detection》 注：本文基于纯点云进行3D目标检测，在KITTI上表现SOTA，性能优于PointPillars、PointRCNN和SECOND等网络 作者：奥地利林茨大学

29. #论文速递# DetectorGAN：小数据目标检测的生成建模 《Generative Modeling for Small-Data Object Detection》 作者：密歇根大学&谷歌&普林斯顿大学&斯坦福大学

30. #目标检测# FasterR-CNN和YOLO V3 比较：用于无人机航拍汽车检测 《Aerial Images Processing for Car Detection using Convolutional Neural Networks: Comparison between Faster R-CNN and YoloV3》 作者：苏丹王子大学

31. #目标检测# IMMVP：高效的白天和黑夜道路上的目标检测器 《IMMVP: An Efficient Daytime and Nighttime On-Road Object Detector》 作者：国立中央研究院&台湾成功大学

32. #论文速递# 我房间里有什么？室内全景图像的目标识别 《What's in my Room? Object Recognition on Indoor Panoramic Images》 注：含目标检测、语义分割和实例分割等任务 作者：萨拉戈萨大学

33. #WACV2020# 用于目标检测的渐进域自适应 《Progressive Domain Adaptation for Object Detection》WACV 2020 作者：加州大学美熹德分校&美国NEC实验室&Google

34. #目标检测# 基于Anchor的目标检测器瞬间丢失检测的分析及解决方案 《Analysis and a Solution of Momentarily Missed Detection for Anchor-based Object Detectors》 作者：东北大学(日本)

35. #目标检测# 高斯YOLOv3：使用定位不确定性进行自动驾驶的精确快速目标检测器 《Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving》 注：Gaussian YOLOv3在KITTI 上相对于YOLOv3性能提高3.09%，代码现已开源！作者：首尔大学

36. #ICCV2019# DAFS：用于Single-Shot目标检测的动态Anchor特征选择 《Dynamic Anchor Feature Selection for Single-Shot Object Detection》 作者：香港理工大学&阿里巴巴达摩院

37. #目标检测# LRF-Net：用于Single-Shot目标检测的丰富特征 《Learning Rich Features at High-Speed for Single-Shot Object Detection》ICCV 2019 注：LRF-Net的速度和mAP都优于YOLOv3和RFBNet，在Titan X速度高达 52 FPS！(512x512) 作者：天津大学 & IIAI

38. #目标检测# 用于域自适应目标检测的鲁棒学习方法 《A Robust Learning Approach to Domain Adaptive Object Detection》ICCV2019 注：在SIM10K, Cityscapes and KITTI表现SOTA！作者：西蒙弗雷泽大学&NVIDIA等

39. #目标检测# ROBO：机器人足球的鲁棒性目标检测 《ROBO: Robust, Fully Neural Object Detection for Robot Soccer》 注：ROBO相对于Tiny YOLOv3，速度加快了35倍！作者：格里菲斯大学等

40. #目标检测# 通过深度学习检测摩托车头盔的使用 《Detecting motorcycle helmet use with deep learning》 作者：柏林理工大学等

41. #ICCV2019# 缩小目标检测和目标跟踪之间的差距：统一的方法 《Bridging the Gap Between Detection and Tracking: A Unified Approach》 作者：中科院&国科大

42. #综述# 无纹理目标识别方法综述 《A Review of methods for Textureless Object Recognition》 注：涵盖无纹理目标识别、目标检测和边缘检测等内容 作者：阿尔伯塔大学

43. #目标检测# 隐身斗篷：真实世界中对目标检测器的攻击 《Making an Invisibility Cloak: Real World Adversarial Attacks on Object Detectors》 注：文中对YOLOv2-v3、Faster R-CNN和FPN目标检测网络进行攻击测试 作者：FAIR & 马里兰大学帕克分校

44. #目标检测# LapNet：实时密集目标检测的自动平衡损失和最佳分配 《LapNet : Automatic Balanced Loss and Optimal Assignment for Real-Time Dense Object Detection》 注：LapNet的 mAP和FPS性能在 YOLOv3和 FCOS之间 作者：CEA（法国国家原子能中心）

45. #目标检测# SCL：通过基于梯度分离的堆叠互补损失实现精确域自适应目标检测 《SCL: Towards Accurate Domain Adaptive Object Detection via Gradient Detach Based Stacked Complementary Losses》 注：SCL域自适应目标检测网络，性能优于MAF(ICCV'19)和Strong-Weak(CVPR'19) 作者：CMU&印度理工学院

46. #目标检测# ASFF：学习空间融合以进行Single-Shot 目标检测 《Learning Spatial Fusion for Single-Shot Object Detection》 注：论文已上传至星球！YOLOv3+ASFF(自适应空间特征融合)组合，性能优于CornerNet和CenterNet等，在COCO上，38.1mAP/60 FPS，43.9mAP/29FPS！现已开源 作者：北京航空航天大学

47. #目标检测# EfficientDet：可扩展且高效的目标检测 《EfficientDet: Scalable and Efficient Object Detection》 注：论文已上传至星球！本文提出BiFPN和EfficientDet，在COCO上高达51.0 mAP！是目前在没有做多尺度测试下最强的目标检测网络，代码即将开源！作者：谷歌大脑(Quoc V. L大佬)

48. #目标检测# EdgeNet：用于边缘设备的目标检测器：精度和性能之间的平衡 《EdgeNet: Balancing Accuracy and Performance for Edge-based Convolutional Neural Network Object Detectors》 作者：塞浦路斯大学

49. #论文速递(已开源)# MGAN：视频显著性目标检测的运动引导注意 《Motion Guided Attention for Video Salient Object Detection》 注：MGAN 视频显著性目标检测性能优于FGRNE、C2SNet和PDB等网络，现已开源！作者：港大&中山大学&深睿医疗

50. #3D目标检测# PI-RCNN：具有基于点的Cont-conv融合模块的高效多传感器3D目标检测器 《PI-RCNN: An Efficient Multi-sensor 3D Object Detector with Point-based Attentive Cont-conv Fusion Module》AAAI 2020 作者：浙江大学(CAD&CG)&飞步科技&阿里巴巴

51. #目标检测# 机器人的模型自适应目标检测系统 《Model Adaption Object Detection System for Robot》 注：解决机器人靠近物体的移动过程中，对物体保持稳定的检测。检测和速度性能优于YOLOv3！作者：西安交通大学

52. #目标检测# 零售商品检测的基准：密集目标检测的强大baseline 《Benchmark for Generic Product Detection: A strong baseline for Dense Object Detection》 注：含6大零售场景下密集商品检测的数据集，如SKU110K、WebMarket等，并提供强大的baseline！作者团队：ParallelDots深度学习公司 摘要：密集场景中的目标检测是标准目标检测器无法很好训练的新领域

53. #目标检测# LRF-Net：高速学习丰富的特征以进行Single-Shot目标检测 《Learning Rich Features at High-Speed for Single-Shot Object Detection》 注：超越YOLOV3、RetinaNet等Single-stage网络，速度高达52FPS！代码刚开源！(基于PyTorch) 作者团队：天津大学&IIAI

54. #目标检测# 从Noisy Anchors学习以进行One-stage目标检测 《Learning from Noisy Anchors for One-stage Object Detection》 作者团队：马里兰大学帕克分校&Salesforce

55. #目标检测# AugFPN：改进用于对象检测的多尺度特征学习 《AugFPN: Improving Multi-scale Feature Learning for Object Detection》 作者团队：中科院&地平线

56. #目标检测# IoU-uniform R-CNN：突破RPN的局限性 《IoU-uniform R-CNN: Breaking Through the Limitations of RPN》 作者团队：华中科技大学&中南民族大学

57. #目标检测# SABL：侧面感知边界定位可实现更精确的目标检测 《Side-Aware Boundary Localization for More Precise Object Detection》 作者团队：港中文&南洋理工大学&浙大&中科大&商汤

58. #目标检测# ATSS：缩小Anchor-free和Anchor-based的性能差距：通过自适应训练样本选择 《Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection》 作者团队：中科院&国科大&北邮等

59. #目标检测# MAL：用于目标检测的多Anchor学习 《Multiple Anchor Learning for Visual Object Detection》 作者团队：CMU&中科院等

60. #目标检测# IPG-Net：用于目标检测的图像金字塔引导网络 《IPG-Net: Image Pyramid Guidance Network for Object Detection》 作者：北京理工大学&三星

61. #视频动作识别# LiteEval：用于高效视频识别的Coarse-to-Fine框架 《LiteEval: A Coarse-to-Fine Framework for Resource Efficient Video Recognition》NeurIPS 2019 作者：马里兰大学帕克分校&复旦等

62. #全景分割# 密集检测的实时全景分割 《Real-Time Panoptic Segmentation from Dense Detections》 作者团队：丰田研究所&密歇根大学

63. #目标检测# MnasFPN：用于移动设备上目标检测的延迟感知的金字塔体系结构 《MnasFPN: Learning Latency-aware Pyramid Architecture for Object Detection on Mobile Devices》 作者：谷歌AI&谷歌大脑(Quoc V. Le大佬)

64. #目标检测# 一种可解释和调试的目标检测器的程序和语义方法 《A Programmatic and Semantic Approach to Explaining and DebuggingNeural Network Based Object Detectors》 作者：加州大学伯克利分校&NASA

65. CAGNet：用于显著性目标检测的内容感知指南(Guidance) 《CAGNet: Content-Aware Guidance for Salient Object Detection》 注：CAGNet表现SOTA！性能优于CPD、AFNet和PiCANet等网络，速度高达28 FPS！作者：伊朗科学技术大学&Imagia

66. #目标检测# MMOD：基于混合模型的目标检测边界框密度估计 《Mixture-Model-based Bounding Box Density Estimation for Object Detection》作者：首尔大学

67. #目标检测# CoAE：用于One-Shot目标检测的共同注意和共同激励 《One-Shot Object Detection with Co-Attention and Co-Excitation》 作者：国立清华大学&中央研究院等

1. #语义分割# ACFNet：用于语义分割的注意类特征网络 《ACFNet: Attentional Class Feature Network for Semantic Segmentation》ICCV 2019 注：在Cityscapes数据集上 81.85% mIoU，优于DenseASPP、PSANet等算法 Author：中科院&国科大&百度

2. #语义分割# DFL：Dual Focal Loss用于改进语义分割，基于自适应类权重 《Adaptive Class Weight based Dual Focal Loss for Improved Semantic Segmentation》 注：性能优于CE、WCE和Focal Loss等损失函数 作者：蒙纳士大学

3. #视频目标分割# 快速视频对象分割：可微分闭合形式求解器的元学习 《Meta Learning with Differentiable Closed-form Solver for Fast Video Object Segmentation》 注：性能优于 MaskTrack、OSVOS-B等网络 作者：阿德莱德大学&西北工业大学

4. #实例分割# Meta R-CNN：面向实例级Low-shot 学习的通用求解器 《Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning》ICCV 2019 注：Meta R-CNN 提高 Mask R-CNN 的小样本(few/low-shot)检测和分割能力 作者：中山大学&DarkMatter

5. #实例分割# PolarMask：一阶段实例分割新思路 《PolarMask: Single Shot Instance Segmentation with Polar Representation》 注：PolarMask基于FCOS，把实例分割统一到了FCN的框架下，代码即将开源！作者：港大&商汤&南大等

6. MDNN：通过细分和聚类进行显著性实例分割 《Salient Instance Segmentation via Subitizing and Clustering》 作者：华中科技大学

7. #视频目标分割# 使用强化学习的视频目标分割的自适应ROI生成 《Adaptive ROI Generation for Video Object Segmentation Using Reinforcement Learning》 注：优于OSVOS、STV等网络 作者：西安交通利物浦大学&新加坡国立大学

8. #医学图像分割# NeurReg：神经配准及其在图像分割中的应用 《NeurReg: Neural Registration and Its Application to Image Segmentation》WACV 2020 作者：NVIDIA&康奈尔大学

9. #语义分割# DMLS：用于场景解析的 Multiphase Level 《Deep Multiphase Level Set for Scene Parsing》 注：在Cityscapes test set 上mIoU高达83.7！优于GANet、DenseASPP和PSPNet等网络 作者：大连理工(卢湖川)&阿德莱德大学&四川大学

10. #语义分割# DADA：语义分割中的深度感知域适应 《DADA: Depth-Aware Domain Adaptation in Semantic Segmentation》ICCV2019 Date：2019 Author：法雷奥 AI Lab&索邦大学

11. #3D语义分割# RangeNet ++：快速准确的LiDAR语义分割 《RangeNet++: Fast and Accurate LiDAR Semantic Segmentation》 注：RangeNet++在KITTI上表现SOTA！性能优于SqueezeSeg和SqueezeSegV2等网络，现已开源！作者：波恩大学

12. #全景分割# 最强全景分割网络：Panoptic-DeepLab 《Panoptic-DeepLab》 注：性能优于UPSNet、TASCNet、DeeperLab和Panoptic FPN等网络 作者：伊利诺伊大学厄巴纳-香槟分校&Google

13. #语义分割# SCN：用于眼球分割的形状受限网络 《Shape Constrained Network for Eye Segmentation in the Wild》WACV 2020 注：SCN 在眼球分割任务上性能优于DenseASPP、PSPNet和DeepLab v3+等分割网络，同时开源眼球分割数据集！作者：帝国理工学院&三星AI研究院

14. #语义分割# 综述：自然和医学图像的深度语义分割 《Deep Semantic Segmentation of Natural and Medical Images: A Review》 注：从 FCN(2014) 到 Auto-DeepLab(2019)，本综述共含179篇语义分割和医学图像分割参考文献 作者：西蒙弗雷泽大学等

15. #语义分割# AC-FCRF：用于遥感图像分割的基于编码器/解码器的CNN和完全连接的CRF 《Encoder-Decoder based CNN and Fully Connected CRFs for Remote Sensed Image Segmentation》

16. #医学图像分割# 随机2.5D U-net进行全3D分割 《Random 2.5D U-net for Fully 3D Segmentation》 作者：因斯布鲁克大学

17. #语义分割# Auto-Deeplab：用于语义分割的AutoML

18. #论文速递# SSL：用于语义分割的相关性最大化结构相似度损失 《Correlation Maximized Structural Similarity Loss for Semantic Segmentation》 注：SSL 相对于交叉熵损失（CE）对语义分割涨点明显！作者：浙大(CAD&CG)&阿里巴巴(优酷)

19. #ICCV2019# CCNet：用于语义分割的Criss-Cross注意力 《CCNet: Criss-Cross Attention for Semantic Segmentation》 注：CCNet 在Cityscapes (test)上mIOU性能优于DenseASPP、PSANet和BiSeNet等网络 作者：华科&地平线等

20. #语义分割# MADAN：多源域自适应的语义分割 《Multi-source Domain Adaptation for Semantic Segmentation》NeurIPS 2019 注：MADAN 性能优于CyCADA和MDAN等网络，现已开源！作者：加州大学伯克利分校&滴滴出行&哈工大

21. MIMO-FAN：用于医学图像分割的统一多尺度特征抽象 《Unified Multi-scale Feature Abstraction for Medical Image Segmentation》SPIE Medical Imaging (Oral) 注：MIMO-FAN性能优于ResU-Net、DenseU-Net等网络 作者：武汉大学等

22. #语义分割# 改进视频语义分割算法的序列图像处理方法 《Sequential image processing methods for improving semantic video segmentation algorithms》 作者：特文特大学

23. #语义分割# 使用合成数据的多模态3D语义分割 《Multi Modal Semantic Segmentation using Synthetic Data》 作者：印度理工学院&博世研究院

24. #风格迁移# Style Mixer：语义感知的多风格迁移网络 《Style Mixer: Semantic-aware Multi-Style Transfer Network.》 作者：香港城市大学

25. #语义分割# CAG-UDA：用于无监督域自适应语义分割的类别Anchor引导 《Category Anchor-Guided Unsupervised Domain Adaptation for Semantic Segmentation》 作者：悉尼大学&腾讯优图

26. #语义分割# SSDDNet：用于弱监督语义分割的自我监督的差异检测 《Self-Supervised Difference Detection for Weakly-Supervised Semantic Segmentation》 注：SSDDNet 性能优于IRN、PSA等弱监督分割网络，表现SOTA！作者：电子通信大学（日本）

27. #医学图像分割# mU-Net：改善CT图像中的肝和肝肿瘤分割 《Modified U-Net (mU-Net) with Incorporation of Object-Dependent High Level Features for Improved Liver and Liver-Tumor Segmentation in CT Images》 注：mU-Net 在LiTS数据集上，表现SOTA！作者：Google&斯坦福大学

28. #目标检测# RoIMix：用于水下目标检测的多幅图像间的Proposal-Fusion 《RoIMix: Proposal-Fusion among Multiple Images for Underwater Object Detection》 作者：北大&鹏城实验室&腾讯

29. #医学图像分割# PGU-Net+: U-net+的逐步增长，可自动进行宫颈核分割 《PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation》 注：性能优于SP-CNN、DenseUnet等网络 作者：北京大学

30. FDDWNet：用于实时语义分割的轻量级卷积神经网络 《FDDWNet: A Lightweight Convolutional Neural Network for Real-time Sementic Segmentation》 注：在GTX 2080Ti 上对1024x512图像进行语义分割，速度高达60 FPS！优于ICNet和DABNet等网络 作者：南京邮电大学

31. #实例分割# LISA：阴影(Shadow)实例检测/分割 《Instance Shadow Detection》 注：论文已上传至星球！阴影检测不算是新方向，但阴影实例检测是很新的问题，为此论文专门提出新的数据集：SOBA以及LISA阴影实例检测方法，太强了！又有坑可以挖了 作者：港中文&中科院

32. #全景分割# SOGNet：用于全景分割的场景重叠图网络 《SOGNet: Scene Overlap Graph Network for Panoptic Segmentation》AAAI 2020 作者：北京大学&山东大学

33. #实例分割# CenterMask：实时Anchor-Free实例分割 《CenterMask:Real-Time Anchor-Free Instance Segmentation》 注：CenterMask性能优于 TensorMask、RetinaMask；CenterMask-Lite优于YOLACT，速度高达50FPS！作者：韩国电信公司(ETRI)

34. #视频目标分割# MPNet：学习运动先验以进行有效的视频对象检测 《Learning Motion Priors for Efficient Video Object Detection》 注：MPNet在ImageNet VID 上表现SOTA！基于ResNet-101，可达实时性能76.8%mAP/23FPS！作者：中科院&国科大&港中文&地平线

35. 语义分割# LiteSeg：用于语义分割的新型轻量级卷积网络 《LiteSeg: A Novel Lightweight ConvNet for Semantic Segmentation》 注：LiteSeg+MobileNetV2，速度高达161FPS！67.81% mIoU在 Cityscapes(640*360)，优于DSNet等网络 作者团队：艾因·夏姆斯大学

36. #实例分割# YOLACT++: 更强的实时实例分割网络 《YOLACT++: Better Real-time Instance Segmentation》 注：在 COCO 上，34.1 mAP，速度高达 33.5 FPS！2019.12.17正式开源！作者团队：加利福尼亚大学戴维斯分校

37. #实例分割# SOLO：根据位置对目标进行实例分割 《SOLO: Segmenting Objects by Locations》作者团队：阿德莱德大学(沈春华团队)&字节跳动

38. DSFPN：用于目标检测和实例分割的双重监督特征金字塔网络 《Dually Supervised Feature Pyramid for Object Detection and Segmentation》 作者团队：天普大学&小鹏汽车等

39. #实例分割# EmbedMask：一阶段实例分割的嵌入耦合 《EmbedMask: Embedding Coupling for One-stage Instance Segmentation》 作者团队：浙大&华科&腾讯优图

40. #语义分割# WASPnet：瀑布式空洞空间池化架构，实现有效的语义分割 《Waterfall Atrous Spatial Pooling Architecture for Efficient Semantic Segmentation》 作者团队：罗切斯特理工大学

41. #医学图像分割# FocusNetAlpha：新型残差注意力机制，用于医学图像分割 《Divided We Stand: A Novel Residual Group Attention Mechanism for Medical Image Segmentation》 作者团队：约克大学等

42. #实例分割# EmbedMask：一阶段实例分割的嵌入耦合 《EmbedMask: Embedding Coupling for One-stage Instance Segmentation》 作者团队：浙大&华科&腾讯优图

43. #3D语义分割# xMUDA：用于3D语义分割的跨模态无监督域自适应 《xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation》 作者：INRIA&法雷奥(Valeo)

44. #视频实例分割# 学习时空嵌入以进行视频实例分割 《Learning a Spatio-Temporal Embedding for Video Instance Segmentation》作者团队：剑桥大学

45. #实时语义分割# FasterSeg：搜索更快的实时语义分割网络 《FasterSeg: Searching for Faster Real-time Semantic Segmentation》 作者团队：德克萨斯A&M大学和地平线

• 如果想加入我们“计算机视觉战队”，请扫二维码加入学习群，我们一起学习进步，探索领域中更深奥更有趣的知识！

计算机视觉战队公众号

公众号 : ComputerVisionGzq

知乎：EdisonGzq

▇ 扫码关注我们