宜春哪里可以制作银行存单_仿真银行定期大额存单制作联系方式
我心想，也可以！反正我对这些事情已经很熟悉了。
论文标题：MaskR-CNN
核心解读：本文是做实例分割的，也是经典baseline。Mask-RCNN在Faster-RCNN框架上改进，在基础特征网络之后又加入了全连接的分割子网，由原来两个任务（分类+回归变为了三个任务（分类+回归+分割。另外，，MaskRCNN中还有一个很重要的改进，就是ROIAlign。可以将fasterrcnn的中的roipooling类比成最近邻插值，roialign就会类比成双线性插值。
PANet
论文标题：PathAggregationNetworkforInstanceSegmentation
核心解读：实例分割的路径聚合网络，PANet整体上可以看做是对Mask-RCNN做了多个改进。其提出的FPN改进版PAN-FPN增加了自底向上的连接。在目标检测任务上，例如yolov4和v5上也大放异彩，可以看作是FPN非常成功的改进。
FasterR-CNN
论文标题：FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks
核心解读：经典的不能再经典，随便一搜就可以找到无数篇的解读。两阶段目标检测鼻祖一样的存在，和Yolo等单阶段网络抗衡了3代之久。所谓两阶段就是第一个阶段将前景的候选区域proposal出来，第二个阶段利用proposals进行分类和精修。像RPN、anchor、roipooling、smoothL1loss等影响深远的概念都来自于此。题外话：最近看了很多任意角度目标检测，其中两阶段的都是以FasterRcnn作为baseline进行魔改的，足见其地位。
YOLO系列
核心解读：如果说FasterRCNN是两阶段的第一人，那么YOLO系列就是单阶段的第一人。单阶段意味着速度更快，实现更简单。针对YOLO的魔改也不在少数，例如poly-YOLO、pp-YOLO、fast-YOLO等。下面分别简述各自的核心特点：v1：显式地将图片等分为NXN个网格，物体的中心点落入网格内，该网格负责预测该物体。可以这样理解，NXN个网络意味者网络最终输出的tensor的尺度也是NXN，对应特征向量负责回归它该负责的物体。注意v1是没有anchor的概念的，回归的尺度是相对与整图来看的。v2：最大的改进就是增加了anchor机制，和fasterR-CNN、SSD、RetinaNet的手动预设不同，YOLO系列全是利用kmeans聚类出最终的anchor。这里的anchor只有宽高两个属性，位置依然是相对与网格的。有了anchor就有匹配规则，是利用iou来判定正、负、忽略样本的。v3：基本设定和v2一致，不过是加入个多尺度预测，基本思想和FPN一样。为了适配不同尺度的目标。也是目前工业界应用最广泛的模型。v4：运用了非常多现有的实用技巧，例如：加权残差连接（WRC、跨阶段部分连接（CSP)、跨小批量标准化（CmBN、自对抗训练（SAT、Mish激活、马赛克数据增强、CIoULoss等，让精度也上了一个台阶。另外说一句，该团队最近出品的scaled-Yolov4将coco刷到55.4，强的没有对手。v5：马赛克增强的作者，同样是改进了网络的骨架和FPN等，另外为了增加正样本的数量，改进了匹配规则，就是中心网格附近的也可能分配到正样本，提高了网络的召回率。与v4相比，有过之而无不及。
FPN
论文标题：FeaturePyramidNetworksforObjectDetection
核心解读：本文提出FPN(特征金字塔)结构，就是自上而下的路径和横向连接去结合低层高分辨率的特征。把高层的特征传下来，补充低层的语义，可以获得高分辨率、强语义的特征，有利于小目标的检测。也是目前主流网络的常客，魔改版本也很多，例如前述的PAN-FPN、ASFF、BiFPN、NAS-FPN等等。
SSD
论文标题：SSD:SingleShotMultiBoxDetector
