之前两个月有点松懈，都没有认真读论文记笔记，开学了，要开始加油了。
9月份目标：20篇paper
-
2019.9.3
Mask scoring R-CNN
这篇文章是cvpr19的文章，在maskrcnn上进行了改进，虽然只做了很小的改动，但是motivation很充分，可以看出作者对maskrcnn研究的比较透彻。maskrcnn在输出instance置信度的时候，用的是分类的置信度，跟检测一样。这样做的问题是，即使框里的mask分割的很差，有可能置信度还是很高。所以作者引入了一个maskiou分支计算mask的置信度，最后将两个置信度相乘作为最终置信度输出。虽然文章很简单，但是非常有道理，最后的实验结果也证明mask ap可以有一个多点的提升。
IoU-balanced loss functions for single -stage object detection
本文提出了一个iou-balanced的classification loss 和localization loss，通过赋予iou高的正样本更大的权重，iou低的正样本更小的权重，从而降低低iou的样本对梯度产生的影响。文章后面的公式没太看懂，，，，以后有时间再研究吧 -
2019.9.9
OVSNet : Towards one-pass real-time video object segmentation
本文贡献在于，用mask当成一个attention乘回到大尺寸特征上，进一步refine；加入一个reid module，输出128d的reid feature，用一个triple loss来监督，用来找回丢失的instance。本来想参考这个加到目前的工作中，然而不想搞了，算了算了。 -
2019.9.10
Semantic instance segmentation with a discriminative loss function
本文基于bottom-up的instance segmentation，提了一个discriminative loss，主要功能为：同一instance的pixel，其embedding应尽可能接近instance center；不同instance的pixel，其embedding mean应尽可能相互远离。不过，实验结果还说了，对于coco，pascal voc这种类型的instance库，本文还是做不好。主要原因是基于cluster的方法，对appearance比较敏感，个体内部appearance差异比较大的情况下，本文的方法表现并不好。猜测，spatial embedding应该也是这样。
Blazingly fast video object segmentation with pixel-wise metric learning
这篇文章将object tracking形式化成一个pixel retrieval问题，对每一帧得到一个embedding，作为key，与第一帧的embedding进行匹配，从而得到最合适的label。 -
2019.9.27
Unsupervised Visual Representation Learning by Context prediction
这篇文章可能是cv最早做self-supervision的文章(?autoencoder），通过回归两个patch之间的位置关系，强迫网络学习图像的特征。也可以算作一种预训练方法，只不过是没有标签的数据。直接回归两个patch的位置关系，可能还是有些粗暴，所以需要避免shortcut的出现。 -
2019.9.28
SCOPS: Self-supervised Co-Part segmentation
本文用自监督的方法来做co-part segmentation，相比landmask检测的方法，本文的方法对appearance variation更鲁棒（？）。个人觉得主要是co-part不需要人为定义，可以自适应的学习；并且除了人、脸，其他类别并没有关键点定义。就方法而言，自监督主要在于定义object function，即优化目标，否则根本不知道要做啥。本文提出了很多loss function，空间一致性、语义一致性、类内一致性、类间差异性等都做了相应的约束。不过这个的问题就是，很难对分割结果进行评价，可以考虑拿去辅助其他任务，观察结果提升。
Self-supervised learning for video correspondence flow
（看完这篇文章后，感到了深深的绝望。。。自监督的video已经有好多人做过了，昨晚想的几个idea基本都是别人做的不能再做的。。。）
本文是基于之前一篇将输入图片转化为灰度图，利用与reference帧之间的attention，将reference帧的color赋给target帧。文章指出训练时用灰度图，测试（用来辅助其他任务时）用rgb图，存在gap，导致模型不能提出很好的特征（那你直接测试也输灰度图不行吗?_?）所以提出一个类似dropout的输入处理，训练时以一定概率将某些通道置零。同时，还引入cycle consistency。作者声称这两个trick可以解决drifting，但是实验中只提到J和F有了性能提升，并没有表现出来drifting得到了专门的解决。总的来说，个人感觉，这篇文章的贡献不是很大，只是基于之前一篇文章的若干增量式改进。
Context encoder: feature learning by inpainting
这篇文章是比较早的用gan做inpaiting的文章，内容比较简单，就是一个encoder和一个decoder，用重构loss和对抗loss监督，实验效果不是很好，并且用来做预训练也并没有取得很好的结果。贵在第一个做吧。
Unsupervised representation learning by predicting image rotations
本文是将原图旋转一定角度（stride为90度），训练网络预测旋转的角度。由于只有理解图像的内容才能知道旋转角度，所以这种方法也可以学到具有代表性的特征。可视化特征图发现，自监督的网络的响应位置，跟有监督的分类网络的响应位置差不多。大概发现代理任务设计的要点是，能训练网络学习出来，同时又不存在shortcut，不需要网络理解图像内容就能学习出来。
网友评论