1.实例分割之BlendMask
2.FCOS：论文与源码解读
3.单目3D目标检测
实例分割之BlendMask
沈春华老师团队的源码最新研究文章，名为“BlendMask”，源码旨在通过巧妙融合底层语义信息和实例层信息，源码提升模型效果。源码研究主要贡献在于设计了一个创新的源码Blender模块，受到top-down和bottom-up方法的源码xxl job 源码启发。
BlendMASK的源码网络结构包含三个关键部分，尽管论文中的源码图示可能不够直观，需要结合论文和源码深入了解。源码Bottom模块输出特征的源码维度为N*K*H/s*W/s，其中N表示批次大小，源码K是源码基础数量，H*W是源码输入尺寸，S是源码得分输出步长。
Top层在检测输出时，源码通过额外的卷积层生成注意力A，其维度为N*(K'M'M)*Hl*Wl，其中M值较小，仅比传统top-down方法小。Blender模块利用注意力和位置敏感的基础来生成最终预测。
实验部分详尽，mapperfactorybean源码如对比不同融合特征策略（Blender vs. YOLACT vs. FCIS）、分辨率设置、基础数量K的选择以及特征提取位置等，作者充分展示了其设计的消融实验。论文强调，尽管没有采用FCOS，但实际效果显著，理解它需要对YOLACT、RPN和DeeplabV3+的核心思想有深入理解。
总的来说，这篇文章以工程应用为导向，提供了宝贵的实践指导，对于学术研究和实际项目具有很高的参考价值。
FCOS：论文与源码解读
FCOS：全称为全卷积单阶段目标检测，它在锚框自由领域中占有重要地位，与RetinaNet在锚框基础领域中地位相似。它沿用ResNet+FPN架构，通过实验证明，在相同backbone和neck层下，锚框自由方法可以取得比锚框基础方法更好的ajaxSubmit源码效果。 FCOS借鉴了语义分割的思想，成功地去除了锚框先验，实现了逐点的目标检测，是全卷积网在目标检测领域的延伸。代码比锚框基础类简单，非常适合入门。1. 动机
锚框基础类目标检测方法存在多处缺点，FCOS通过去除锚框，提出了简单、温柔且有力的目标检测模型。2. 创新点
FCOS借鉴了语义分割的思想，实现了去除锚框、逐点的目标检测。以年提出的全卷积网（FCN）为例，FCOS借鉴了FCN的思想，将其应用于目标检测，主要步骤包括生成先验、分配正负样本和设计bbox assigner。3. 模型整体结构与流程
训练时，包括生成先验和正负样本分配。源码求和FCOS的先验是将特征图上的每一点映射回原始图像，形成逐点对应关系。分配正负样本时，正样本表示预测目标，负样本表示背景。3.1 训练时
在训练阶段，先通过prior generate生成先验，然后进行bbox assign。在分配过程中，FCOS利用了FPN层解决ambigous点的问题，通过多尺度特征融合和逐层分配目标来解决。3.1.1 prior generate
FCOS通过映射特征图上的每一点回原始图像，形成点对点对应关系，生成先验。通过公式计算映射关系，其中s表示步长。3.1.2 bbox assigne
分配正负样本时，FCOS借鉴了anchor base方法的正负样本分配机制，通过设计bbox assigner解决ambigous点问题。分配流程包括计算输出值、暗黑+源码对输出进行exp操作和引入可学习参数scale，以及使用FPN层分而治之，进一步解决ambigous问题。3.1.3 centerness
FCOS额外预测了centerness分支，以过滤远离目标中心的点，提高检测质量。centerness值范围为0~1，越靠近中心，值越大。测试时，最终score=cls_score*centerness。3.1.4 loss
损失函数包括focal loss、IoU loss和交叉熵损失，用于训练分类、定位和centerness分支。3.2 模型结构
模型继续沿用ResNet和FPN层，进行公平比较。FPN输出的特征层与RetinaNet类似，但FCOS在FPN输出的最后一层特征层上进行额外卷积，与RetinaNet在输入特征层上进行额外卷积不同。在推理阶段，注意centerness与分类分数的乘积作为最终得分，且需要进行NMS操作。4. 总结与未来方向
FCOS是一个简单、温柔、有力量的锚框自由方法，地位重要，思想借鉴于语义分割，流程类似传统目标检测，包括生成先验、正负样本匹配、bbox编码和NMS等，额外加入centerness分支以提升检测质量。 未来，FCOS的研究方向可能包括更深入的理论分析、模型优化和跨领域应用探索。5. 源码
mmdetection提供了FCOS的配置文件和代码实现，包括多个版本和改进。了解这些细节有助于深入理解FCOS的实现和优化策略。单目3D目标检测
单目3D目标检测是计算机视觉领域中的一项重要任务，旨在识别出目标的类别以及在相机坐标系下的精确位置。这个过程通常分为三个关键部分：确定目标类别、获取边界框信息（高度、宽度、长度、位置坐标、朝向角度）和回归目标的八个关键点坐标。本文将详细阐述这一技术的实现流程和关键组件。
首先，单目3D目标检测系统通常包含一个主干网络（如DLA-），该网络用于提取特征并生成目标中心点的热力图，这是检测的基础。热力图的生成基于高斯核函数，其半径大小根据目标的实际宽度和高度确定，确保即使存在中心点微小偏移，也能正确检测目标。然后，通过约束处理，将热力图结果转换为概率值，范围在0到1之间。
接下来，进行3D边界框回归，这一过程涉及到深度偏移、中心点偏移、尺寸偏移、方向角等参数的预测。预测结果经过变换调整，例如将深度偏移范围调整至(-0.5, 0.5)，方向角归一化至(sin, cos)形式，以适应后续处理。这些预测值经过解码，计算目标在相机坐标系下的实际位置，其中关键一步是利用相机成像原理计算目标的全局方位角。
在训练阶段，采用GaussianFocalLoss和L1Loss作为损失函数。GaussianFocalLoss在正样本附近引入额外的约束，以减少对中心点附近的负样本损失的影响。L1Loss用于衡量预测值与实际值之间的差异，确保回归结果的精确性。
为了进一步提升检测性能，引入了fcos3D模型，该模型通过共享权重的头部网络预测目标中心点位置（centerness）和3D边界框参数。其中，centerness分支用于衡量预测点与真实目标中心点的相对距离，通过计算目标中心点与预测框中心点之间的距离，使用特定公式进行计算。此外，fcos3D模型还通过FocalLoss进行损失计算，并采用SmoothL1loss、CrossEntropyLoss等损失函数，以平衡不同尺度的目标检测和分类任务。
除了上述模型外，还存在如3D BBox Estimation Using Deep Learning and Geometry的论文，该方法利用目标的2D边界框和相机几何关系来推测目标的中心点位置，同时设计网络回归目标的三维尺寸和偏航角。通过将°角度分解为方向分类和角度回归，得到目标的全局偏航角，并结合先验尺寸信息，最终通过相机投影反向计算目标的3D中心点。
在实现过程中，可变形卷积（DCN）被广泛应用于这些模型中。DCN相比传统卷积，引入了偏移量(offset)概念，通过学习这些偏移量，可变形卷积能够更加精准地定位目标，减少背景干扰，提升检测效果。理解DCN的原理和应用，需要参考相关源码和教程，如Deformable ConvNets v2 Pytorch版源码讲解。
总结而言，单目3D目标检测技术通过复杂的特征提取、多参数回归和损失函数优化，实现了对目标的精确识别和定位。其中，可变形卷积的引入显著提升了检测的准确性，使得这一技术在自动驾驶、机器人视觉等领域展现出巨大的应用潜力。
