前言文章的一作是曹金坤，作者同时还是《TransTrack:MultipleObjectTrackingwithTransformer》的二作。文章：https://arxiv.org/pdf/2203.14360.pdf代码：https://github.com/noahcao/OC_SORT本文为论文阅读记录，本人才疏学浅，应该有错误的认识，希望读者能在评论区帮助我改正错误。文章提出了一种用于多目标跟踪的算法Obeservation-CentricSORT(OC-SORT),以解决多目标跟踪中模型对目标重叠、非线性运动的敏感和需要高帧率视频的问题。OC-SORT保持了简单、在线、实时的特点

目录Abstract1.Introduction2.RelatedWork3.B´ezierLaneNet3.1.Overview3.2.FeatureFlipFusion3.3.End-to-endFitofaB´ezierCurve4.Experiments4.1.Datasets4.2.EvalutaionMetics4.3.ImplementationDetails4.4.Comparisons4.5.Analysis4.6.LimitationsandDiscussions5.Conclusions图和表图 表附录A.FPSTestProtocolB.Specificationsfo

来源ICCV20230、摘要LiDAR分割对于自动驾驶感知至关重要。最近的趋势有利于基于点或体素的方法，因为它们通常产生比传统的距离视图表示更好的性能。在这项工作中，我们揭示了建立强大的距离视图模型的几个关键因素。我们观察到，“多对一”的映射，语义不连贯性，形状变形的可能障碍对有效的学习从距离视图投影。我们提出的RangeFormer-一个全周期的框架，包括跨网络架构，数据增强和后处理的新颖设计-更好地处理学习和处理LiDAR点云从范围的角度。我们进一步介绍了一个可扩展的训练范围视图（ScalableTrainingfromRangeviewSTR）的策略，训练任意低分辨率的2D范围图像，同时

论文地址：https://arxiv.org/pdf/1706.05587.pdf发表时间：2017注：2018年提出了deeplab3+，论文详细解读可以参考https://blog.csdn.net/wujing1_1/article/details/124183476在这项工作中，我们重新讨论了空洞卷积，这是一个强大的工具，可以显式地调整滤波器的视场，以及控制由深度卷积神经网络计算的特征响应的分辨率。为了解决多尺度分割对象的问题，我们设计了采用级联或并行梯度卷积的模块，采用多尺度膨胀率来捕获多尺度上下文。此外，我们建议改进我们之前提出的空间空间金字塔池模块，该模块在多个尺度上探测卷积特征

RethinkingPointCloudRegistrationasMaskingandReconstruction2023ICCV*GuangyanChen,MeilingWang,LiYuan,YiYang,YufengYue*;ProceedingsoftheIEEE/CVFInternationalConferenceonComputerVision(ICCV),2023,pp.17717-17727paper:RethinkingPointCloudRegistrationasMaskingandReconstruction(thecvf.com)code:CGuangyan-BIT

论文源码：https://download.csdn.net/download/zhouaho2010/87393184 Abstract图像去雾是低层视觉中的一个活跃话题，随着深度学习的快速发展，许多图像去雾网络被提出。尽管这些网络的工作良好，但提高图像去雾性能的关键机制仍不清楚。出于这个原因，我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行最小的修改以获得紧凑的去雾网络。具体来说，我们将U-Net中的卷积块交换为具有门控机制的残差块，融合主路径的特征映射，并使用选择核跳过连接，并调用得到的U-Net变体gUNet。因此，gUNet以显著降低的开销，在多个图像去雾数

作者发现：随机生成的摘要能够达到与最先进的方法相似甚至更好的性能分数。有时，完全随机方法的性能超过了人工注释器。分析原因：分数的形成主要取决于视频分割，尤其是片段长度的分布。这主要是由于广泛使用的子集选择算法（背包算法）导致。在大多数情况下，原本的评估方式完全忽略了重要性分数的贡献。因此设计了新的评估方式两个概念：Keyframes：一些孤立的帧组成摘要Keyshots：一些镜头（一组连续的帧）组成摘要以往的评估方式：评估流程（基于keyshots，连续镜头）：预测每一帧的重要性分数->连续帧的视频分段（均匀分段、单峰双峰分段等等）->用背包算法选一些视频段作为摘要->准确率和召回率计算F1y

作者发现：随机生成的摘要能够达到与最先进的方法相似甚至更好的性能分数。有时，完全随机方法的性能超过了人工注释器。分析原因：分数的形成主要取决于视频分割，尤其是片段长度的分布。这主要是由于广泛使用的子集选择算法（背包算法）导致。在大多数情况下，原本的评估方式完全忽略了重要性分数的贡献。因此设计了新的评估方式两个概念：Keyframes：一些孤立的帧组成摘要Keyshots：一些镜头（一组连续的帧）组成摘要以往的评估方式：评估流程（基于keyshots，连续镜头）：预测每一帧的重要性分数->连续帧的视频分段（均匀分段、单峰双峰分段等等）->用背包算法选一些视频段作为摘要->准确率和召回率计算F1y