续第一部分
-
基于多尺度内容和深度推理的显著性检测，现有方法主要集中在设计复杂的网络抽取和融合输入图像特征来检验显著性，但本方法着眼于设计更好的显著性推理模块来改善效果。文章提出多特征融合后缺乏有效的显著性推理是限制目前算法表现的关键。在基础网络后添加ShuffleNet改进的显著性推理网络实现了较大的提升。（from 北京交通大学）
显著性推理阶段的网络结构如图所示：
在多个数据集上与现有方法的比较：
附：显著性检验评价工具箱
显著性检测数据集：ECSSD [38], PASCAL-S [18], DUTOMRON[39], HKU-IS [15], SOD [26] and DUTS-test [31]
显著性检测的相似方法： MDF [16], LEGS [30],DCL [17], RFCN [32], DHS [21], DSS [10], NLDF [23],Amulet [42], SRM [33], RAS [1], DGRL [34], R3Net [6],BMPM [41], PAGR [44] and PicaNet [22] -
PCB印刷电路板缺陷检测数据集，数据集中包含了6种共1386张缺陷图像，并利用了先定位缺陷后分类缺陷的方法来进行缺陷检测。其中缺陷定位，首先利用特征点将输入图像与，模板对齐二值化，随后与模板做XOR操作(加一定的滤波)，与模板不同为1其他为0，随后用cnn分类缺陷。(from 北大深研院)
样本及文中提到的检测方法:
数据集:http://robotics.pkusz.edu.cn/resources/dataset/ -
R-DAD基于区域解构和重构的目标检测算法，
（from 仁川大学 韩国）
文章提出方法的主要框架，首先将目标分解为多个小区域，并在全局和局部上分别抽取特征。通过结合特征学习出物体间的语义关系，随后组合特征用于分类和定位。此外还提出了多尺度候选框来提高精度。
一些结果( MSCOCO 2018 dataset.)：
-
三维目标检测的主体网络，基于稀疏3D CNN来对点云中的目标进行检测。可以直接从原始点云中有效抽取特征并利用稀疏性加速计算减小了内存(from 新南威尔士大学)
三维检测的主体流程如下：
两种方式，利用主干网络利用了稀疏子流型卷积和流行型卷积实现有效的特征抽取，网络输入是体素输出是多尺度二维特征图：
基于特征图的检测网络：
KITTI激光点云数据中对车辆的三维检测结果：
ref:http://www.cvlibs.net/datasets/ -
综述：道路交通监控中的异常检测，（from 印度理工布巴内斯瓦尔）
用于异常检测的一些方法：
常用数据集: QMUL [65],CAVIAR [1], UCSD [116], Bellview [214], Person [7],UMN [122], ARENA [141][check again], Avenue [60], Uturn[18], MIT Trajectory [198], MIT [197], MIT parkingtrajectory [196], NGSIM [133], AIRS [9], PETS2009 [46],Behave [24], i-LIDS [11], ShanghaiTech [113], NVDIACITY [135], BOSS [168], Car Accident [169], and ldiap [178]. -
MREAK,基于形态学的关键点描述子，在人眼瞳孔的启发下（根据亮度开合大小），利用形态学开闭运算来调整采样模型，提高了精确匹配的关键点数。
文中提出的开闭算子与(a)Freak: Fast retina keypoint作比较,使用流程如右图所示：
结合开闭运算后的关键匹配点：
效率提高：
-
图神经网络家族的新成员，超卷积和超注意力，为了克服描述现实中物体之间的高维关系的困难。由椭圆表示的边能链接多个顶点.(from 牛津大学)
一个例子，五个顶点两个边的图超卷积：
