，这个不能发中文论文，而且2009后发英文论文也很困难。无名研究者只能挂主流杂志发表过的文章，拒绝非主流杂志比如GALILEAN ELECTRODYNAMICS和PHYSICS ESSAYS等的论文。可能因为名气搞大了，万一你有个大成果抢先欧美研究人员发表在上面了，以后你就是第一发现者了，那是他们不愿意的；另一方面的原因是后来出现很多与主流观点不一致的论文也往那儿投，推崇主流观点，不欢迎任何与主流观点不一致的东西。中国研究者对现在欧美所谓SCITOP期刊和预印服务器必须有一个清醒的认识，开创性的论文提交给那些期刊或预印服务，作用仅仅是启发他们的研究人员抢先写出论文发表，你的论文必然被退回来。这不仅仅因为学术上的小利益，更重要的是科学意识形态称霸世界的政治大利益。原本是挂尚未发表的论文的预印服务器，2009后就升级成为欧美霸权的重要意识形态工具之一了。中科院极力推崇欧美TOP期刊，分什么一、二、三、四区，或因对国际政治斗争认识水平过低所致，抑或欧美培养的学术汉奸推波助澜。我读过nature和pr系列某个领域的大量文章，nature基本上不讲究计算论证，只讲究报道猎奇科学事件，比如欧或美宇航员在太空中邂逅一对外星人夫妻正在造人这一类的事件，要求像写文学作品那样写得很优雅，prl很多数学计算是完全错误的。考古方面我无发言权，与理论物理相关的我可以负责任告诉你，作为中国研究人员，如果你写什么光子纠缠量子通信那样有可能消耗很大国力而实际上属于纯粹胡扯的非开创性文章，nature和science或arXiv有可能发表。
下面分享几个常用的学术网站，可以登陆搜索国内外文献——
1. sci-hub
大名鼎鼎的 sci-hub 是一个由俄罗斯牛人开发的可以下载任意文献杂志的工具，只要输入你想要下载的文献题目、DOI 等信息就可以获取到该文献的真实地址并在线浏览，当然更重要的是可以下载。
2. BASE
BASE 是德国比勒费尔德（Bielefeld) 大学图书馆开发的一个多学科的学术搜索引擎，提供对全球异构学术资源的集成检索服务。它整合了德国比勒费尔德大学图书馆的图书馆目录和大约 160 个开放资源（超过 200 万个文档）的数据。
3. 谷歌学术
免费搜索学术文章的 Google 网络应用。2004 年 11 月，Google 第一次发布了 Google 学术搜索的试用版。该项索引包括了世界上绝大部分出版的学术期刊， 可广泛搜索学术文献的简便方法。
可以从一个位置搜索众多学科和资料来源：来自学术著作出版商、专业性社团、预印本、各大学及其他学术组织的经同行评论的文章、论文、图书、摘要和文章。
4. Library Genesis
Library Genesis 号称是帮助全人类知识无版权传播的计划。网站上论文很多，下载方便，还有很多外文书籍和中文书籍，几乎每天都在更新。这也是一个神奇网站，基本上所有的外文书籍和论文都可以搜到并下载，最近的学术论文也可以下载。
Library Genesis 和 Sci-Hub 可谓患难兄弟，之前都因为爱思唯尔惹上纠纷，而且从 Library Genesis 下载不了的还可以从网页直接链接到 Sci-Hub 下载。
5. 百度学术
涵盖了各类学术期刊，会议论文，旨在为国内外学者提供最好的科研体验。
百度学术搜素可以检索到收费和免费的学术论文，并通过时间筛选，标题，关键字，摘要，作者，出版物，文献类型被引用的次数等细化指标提高检索的精准性。
通过百度学术，都能搜到知网，万方，维普等学术网站的论文，台湾文献的论文也可以收集，其中的一项论文求救功能，相当实用。不过，百度学术只是一个学术信息搜索引擎，如果下载还得到知网等数据库。
6. Cnpiec LINK service
一个方便快捷的查阅国外各类期刊文献的综合网络平台，cnpLINKer 即中国链接服务，目前主要提供约 3600 种外国期刊的目次和文摘的查询检索，电子全文链接及期刊国内馆藏分布查询功能。并时时与国外出版社保持数据内容的一致性和最新性。
7. PMC（PubMed Cenral)
PubMed Central (PMC) 是美国国立卫生研究院提供的一项服务，存档生物医学，生命科学科研文献，PMC 获得 NLM (National Library of Medicine) 的授权，收录存档生物 / 医学文献，免费是 PMC 的核心原则，随着技术的进步，目前文献的数字存储格式可能会淘汰，但 PMC 永久保存了这些内容。NLM 认为数字资料不是用来存储的，持续的应用才是物尽其用，因此免费是 PMC 的一个核心原则。
但是免费并不代表没有版权，资料虽然存储在 PMC，作者和出版商才是版权的拥有者，所有使用 PMC 的用户必须遵守版权声明。
8. 中国知网
知网，是国家知识基础设施的概念，由世界银行于 1998 年提出。CNKI 工程是以实现全社会知识资源传播共享与增值利用为目标的信息化建设项目。由清华大学、清华同方发起，始建于 1999 年 6 月。提供 CNKI 源数据库、外文类、工业类、农业类、医药卫生类、经济类和教育类多种数据库。
其中综合性数据库为中国期刊全文数据库、中国博士学位论文数据库、中国优秀硕士学位论文全文数据库、中国重要报纸全文数据库和中国重要会议文论全文数据库。
每个数据库都提供初级检索、高级检索和专业检索三种检索功能。高级检索功能最常用。
9. DOAJ
DOAJ（Directory of Open Access Journal），由瑞典的隆德大学图书馆 Lund University Libraries 设立于 2003 年 5 月，DOAJ 的优势在于收录的期刊有着严格的质量控制，包括很多 SCI 收录的期刊。
DOAJ 收录的 OA 期刊数量非常多，属于目前最好的 OA 期刊目录网站。目前 DOAJ 除了查询 OA 期刊外，还可以查询部分期刊的文章内容。
10. Book 系列
Book 系列网站书籍种类丰富，基本专业书籍都可找到免费下载。包括 Bookie、Bookzz、Bookfi 等，（Bookzz、Bookfi 在 Library Genesis 的导航栏有，但是现在貌似打不开了）。均可免费下载文献和书籍，文献下载适合前几年的，书籍就不用说了，超级多！
其中 BookSC 网站（）文献资料多。BookSC 网站截止到今天，已有 278 多万书籍以及 5242 多万文献可以免费下载，大多数是 pdf,djvu,eupb 格式。
下载也很方便，直接搜论文或者文章题目即可，还可将选择地区并设置成中国。BookSC 网站体验很好，搜索后直接点下载就可以了，超级方便！
11. arXiv
arXiv 的亮点是网站上面的文章大多数都是会投稿到学术期刊的文章，投稿作者对文章多半都是保持严谨态度的，只有少部分是一直保持预印本的形式。
目前 arXiv 文章类型主要分为七大类：物理、数学、非线性科学、计算机科学、定量生物学、定量金融学和统计。每个大类下面又分有若干子类，例如物理下面又具体分为：天体物理、凝聚态物理、广义相对论等。文章类型内容分类非常专业和全面。
12. 万方数据库
万方数据库是由万方数据公司开发的，涵盖期刊、会议纪要、论文、学术成果、学术会议论文的大型网络数据库；也是和中国知网齐名的中国专业的学术数据库。整合数亿条全球优质学术资源，集成期刊、学位、会议、科技报告、专利、视频等十余种资源类型，覆盖各研究层次，感知用户学术背景，智慧搜索。致力于帮助用户精准发现、获取与沉淀学术精华。
无偿提供百度网盘链接下载名校理工类各科英文书籍及文献。希望看到此贴的大家转告分享给更多人，无偿地分享知识。书籍为免费网络版，无版权问题。
arXiv不算正式发表，在学术圈内也不被认为是正式发表。
因为arXiv只是个提交论文预印本（preprint）的平台，而且里面的论文都没有经过同行评审（peer review），所以文章质量参差不齐。比较有名的计算机检索数据库DBLP数据库可以检索arXiv里的文章，DBLP把arXiv归类为非正式发表（informal publication）。
扩展资料
预印本服务
1、arXiv
该数据库收录有自 1991 年以来的 631，898 篇预印本文献，除此之外，还包括American Physical Society, Institute of Physics 等12种电子期刊全文，但不包括非学术性信息，如新闻或政策性文章等。用户可通过学科、标题、作者或关键词检索所需文献。
2、RePEc
目前该库包括工作论文237,000篇，期刊文章344,000 篇，软件1,600种，图书或部分章节2,700 种，以及16,200 位作者与出版物、10,700 个研究机构的联系信息。
其中，工作论文类似研究报告或预印本，可免费访问全文；期刊可检索和浏览到论文题录文摘信息，有的可以免费下载全文，商业期刊则需要订购权限。
参考资料来源：百度百科-预印本
arxiv上的论文一般是用作发表手稿或者预出版的论文，标准符合康奈尔大学学术要求即可。
arxiv是一个提供学术文章在线发表的服务器,领域涵盖物理学、数学、非线性科学、计算机科学、定量生命科学、计量金融学和统计学。发表arXiv的论文不需要通过审核，因此被用作发表手稿或者预出版的论文，提交到arXiv的文章必须符合康奈尔大学学术标准。
arXiv（X依希腊文的χ发音，读音如英语的archive）是一个收集物理学、数学、计算机科学、生物学与数理经济学的论文预印本的网站，成立于1991年8月14日。
同行评价：
arXiv(3)尽管arXiv上的文章未经同行评审，但在2004年起采行了一套“认可”系统。在这套系统下，作者首先要得到认可，这种认可可能来自另一位具认可资格者的背书，或者依照某些内部规定而自动授予。
来自著名学术机关的作者通常会自动得到认可。包括诺贝尔物理奖得主布赖恩·约瑟夫森在内的十九位科学家曾抗议他们的部分文章被arXiv管理者退回，而其它文章则被强迫更改分类，依其见解，原因出在研究主题的争议性，或者是文章抵触了弦理论的正统观点。
由于arXiv上的文章多半都会投稿到学术期刊，作者对文章多半保持严谨态度。少部分文章则一直保持预印本的形式，其中包括一些极具影响力的作品，例如格里戈里·佩雷尔曼对庞加莱猜想的证明。arXiv上的民间科学家作品为数不多，通常被归入诸如“一般数学”（General Mathematics）等项下。
arXiv的意思如下：
arXiv是一个收集物理学、数学、计算机科学与生物学的论文预印本的网站，始于1991年8月14日。简单来说，为了防止自己的idea在论文被收录前被别人剽窃，我们会将预稿上传到arvix作为预收录，因此这就是个可以证明论文原创性（上传时间戳）的文档收录网站。
预印本服务arXiv：
它是一个涉及物理、数学、非线性科学、计算机科学等领域的e-print服务平台，其内容遵循康奈尔大学的学科标准。该数据库收录有自 1991 年以来的 631，898 篇预印本文献。
除此之外，还包括American Physical Society，Institute of Physics 等12种电子期刊全文，但不包括非学术性信息，如新闻或政策性文章等。用户可通过学科、标题、作者或关键词检索所需文献。
以上内容参考 百度百科-预印本
尊敬的用户，AnchorFree拥有两个输出，其中一个用于连接开发板，另一个是官方推荐的输出，用户可以使用它将开发结果导出到其他设备。
1 简介
针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行，目标尺度变化较大，这样给模型的优化也带来了很大的负担。此外，在无人机进行高速低空飞行时，也会带来密集目标的运动模糊问题。
图1 小目标与密集问题
为了解决上述2个问题，本文提出了 TPH-YOLOv5 。 TPH-YOLOv5 在YOLOv5的基础上增加了一个prediction heads 来检测不同尺度的目标。然后通过探索Self-Attention的预测潜力使用了Transformer Prediction Heads(TPH)代替原来的prediction heads。同时作者还集成了卷积块Attention模型(CBAM)来寻找密集场景下的注意力区域。
为了进一步改进 TPH-YOLOv5 ，作者还提供了大量有用的策略，如数据增强、多尺度测试、多模型集成和使用额外的分类器。
在VisDrone2021数据集上的大量实验表明，TPH-YOLOv5在无人机捕获场景上具有良好的性能和可解释性。在DET-test-challenge数据集上，TPH-YOLOv5的AP结果为，比之前的SOTA方法(DPNetV3)提高了。在VisDrone Challenge 2021中，TPH-YOLOv5与YOLOv5相比提高了约7%。
本文的贡献如下:
2 前人工作总结 Data Augmentation
数据增强的意义主要是扩展数据集，使模型对不同环境下获得的图像具有较高的鲁棒性。
Photometric和geometric被研究人员广泛使用。对于Photometric主要是对图像的色相、饱和度和值进行了调整。在处理geometric时主要是添加随机缩放、裁剪、平移、剪切和旋转。
除了上述的全局像素增强方法外，还有一些比较独特的数据增强方法。一些研究者提出了将多幅图像结合在一起进行数据增强的方法，如MixUp、CutMix和Mosaic。
MixUp从训练图像中随机选取2个样本进行随机加权求和，样本的标签也对应于加权求和。不同于通常使用零像素mask遮挡图像的遮挡工作，CutMix使用另一个图像的区域覆盖被遮挡的区域。Mosaic是CutMix的改进版。拼接4幅图像，极大地丰富了被检测物体的背景。此外，batch normalization计算每层上4张不同图像的激活统计量。
在TPH-YOLOv5的工作中主要是结合了MixUp、Mosaic以及传统方法进行的数据增强。
Multi-Model Ensemble Method
我们都知道深度学习模型是一种非线性方法。它们提供了更大的灵活性，并可以根据训练数据量的比例进行扩展。这种灵活性的一个缺点是，它们通过随机训练算法进行学习，这意味着它们对训练数据的细节非常敏感，每次训练时可能会得到一组不同的权重，从而导致不同的预测。 这给模型带来了一个高方差 。
减少模型方差的一个成功方法是训练多个模型而不是单一模型，并结合这些模型的预测。
针对不同的目标检测模型，有3种不同的ensemble boxes方法:非最大抑制(NMS)、Soft-NMS、Weighted Boxes Fusion(WBF)。
在NMS方法中，如果boxes的overlap, Intersection Over Union(IoU)大于某个阈值，则认为它们属于同一个对象。对于每个目标NMS只留下一个置信度最高的box删除其他box。因此，box过滤过程依赖于这个单一IoU阈值的选择，这对模型性能有很大的影响。
Soft-NMS是对NMS进行轻微的修改，使得Soft-NMS在标准基准数据集(如PASCAL VOC和MS COCO)上比传统NMS有了明显的改进。它根据IoU值对相邻边界box的置信度设置衰减函数，而不是完全将其置信度评分设为0并将其删除。
WBF的工作原理与NMS不同。NMS和Soft-NMS都排除了一些框，而WBF将所有框合并形成最终结果。因此，它可以解决模型中所有不准确的预测。本文使用WBF对最终模型进行集成，其性能明显优于NMS。
Object Detection
基于CNN的物体检测器可分为多种类型:
一些检测器是专门为无人机捕获的图像设计的，如RRNet、PENet、CenterNet等。但从组件的角度来看，它们通常由2部分组成，一是基于CNN的主干，用于图像特征提取，另一部分是检测头，用于预测目标的类和Box。
此外，近年来发展起来的目标检测器往往在backbone和head之间插入一些层，人们通常称这部分为检测器的Neck。接下来分别对这3种结构进行详细介绍：
Backbone
常用的Backbone包括VGG、ResNet、DenseNet、MobileNet、EfficientNet、CSPDarknet53、Swin-Transformer等，均不是自己设计的网络。因为这些网络已经证明它们在分类和其他问题上有很强的特征提取能力。但研究人员也将微调Backbone，使其更适合特定的垂直任务。
Neck
Neck的设计是为了更好地利用Backbone提取的特征。对Backbone提取的特征图进行不同阶段的再处理和合理使用。通常，一个Neck由几个自底向上的路径和几个自顶向下的路径组成。Neck是目标检测框架中的关键环节。最早的Neck是使用上下取样块。该方法的特点是没有特征层聚合操作，如SSD，直接跟随头部后的多层次特征图。
常用的Neck聚合块有：FPN、PANet、NAS-FPN、BiFPN、ASFF、SAM。这些方法的共性是反复使用各种上下采样、拼接、点和或点积来设计聚合策略。Neck也有一些额外的块，如SPP, ASPP, RFB, CBAM。
Head
作为一个分类网络，Backbone无法完成定位任务，Head负责通过Backbone提取的特征图检测目标的位置和类别。
Head一般分为2种：One-Stage检测器和Two-Stage检测器。
两级检测器一直是目标检测领域的主导方法，其中最具代表性的是RCNN系列。与Two-Stage检测器相比One-Stage检测器同时预测box和目标的类别。One-Stage检测器的速度优势明显，但精度较低。对于One-Stage检测器，最具代表性的型号是YOLO系列、SSD和RetaNet。
Overview of YOLOv5
YOLOv5有4种不同的配置，包括YOLOv5s，YOLOv5m, YOLOv5l和YOLOv5x。一般情况下，YOLOv5分别使用CSPDarknet53+SPP为Backbone，PANet为Neck, YOLO检测Head。为了进一步优化整个架构。由于它是最显著和最方便的One-Stage检测器，作者选择它作为Baseline。
图2 THP-YOLOv5整体架构
当使用VisDrone2021数据集训练模型时，使用数据增强策略(Mosaic和MixUp)发现YOLOv5x的结果远远好于YOLOv5s、YOLOv5m和YOLOv5l, AP值的差距大于。虽然YOLOv5x模型的训练计算成本比其他3种模型都要高，但仍然选择使用YOLOv5x来追求最好的检测性能。此外，根据无人机捕获图像的特点，对常用的photometric和geometric参数进行了调整。
TPH-YOLOv5
TPH-YOLOv5的框架如图3所示。修改了原来的YOLOv5，使其专一于VisDrone2021数据集：
图3 TPH-YOLOv5模型结构 微小物体的预测头
作者统计了VisDrone2021数据集，发现它包含了很多非常小的目标，所以增加了一个用于微小物体检测的预测头。结合其他3个预测头，4头结构可以缓解剧烈的目标尺度变化带来的负面影响。如图3所示，添加的预测头(Head 1)是由low-level、高分辨率的feature map生成的，对微小物体更加敏感。增加检测头后，虽然增加了计算和存储成本，但对微小物体的检测性能得到了很大的提高。
Transformer encoder block
图4 Transformer Block
用Transformer encoder块替换了YOLOv5原版中的一些卷积块和CSP bottleneck blocks。其结构如图4所示。与CSPDarknet53中原有的bottleneck blocks相比，作者认为Transformer encoder block可以捕获全局信息和丰富的上下文信息。
每个Transformer encoder block包含2个子层。第1子层为multi-head attention layer，第2子层(MLP)为全连接层。每个子层之间使用残差连接。Transformer encoder block增加了捕获不同局部信息的能力。它还可以利用自注意力机制来挖掘特征表征潜能。在VisDrone2021数据集中，Transformer encoder block在高密度闭塞对象上有更好的性能。
基于YOLOv5，作者只在头部部分应用Transformer encoder block形成transformer Prediction head(TPH)和backbone端。因为网络末端的特征图分辨率较低。将TPH应用于低分辨率特征图可以降低计算和存储成本。此外，当放大输入图像的分辨率时可选择去除早期层的一些TPH块，以使训练过程可用。
Convolutional block attention module (CBAM)
CBAM是一个简单但有效的注意力模块。它是一个轻量级模块，可以即插即用到CNN架构中，并且可以以端到端方式进行训练。给定一个特征映射，CBAM将沿着通道和空间两个独立维度依次推断出注意力映射，然后将注意力映射与输入特征映射相乘，以执行自适应特征细化。
图5 CBAM注意力机制
CBAM模块的结构如图5所示。通过本文的实验，在不同的分类和检测数据集上将CBAM集成到不同的模型中，模型的性能得到了很大的提高，证明了该模块的有效性。
在无人机捕获的图像中，大覆盖区域总是包含令人困惑的地理元素。使用CBAM可以提取注意区域，以帮助TPH-YOLOv5抵制令人困惑的信息，并关注有用的目标对象。
Self-trained classifier
用TPH-YOLOv5对VisDrone2021数据集进行训练后，对test-dev数据集进行测试，然后通过可视化失败案例分析结果，得出TPH-YOLOv5定位能力较好，分类能力较差的结论。作者进一步探索如图6所示的混淆矩阵，观察到一些硬类别，如三轮车和遮阳三轮车的精度非常低。
图6 检测混淆矩阵
因此，作者提出了一个Self-trained classifier。首先，通过裁剪ground-truth边界框并将每个图像patch的大小调整为64 64来构建训练集。然后选择ResNet18作为分类器网络。实验结果表明，在这个Self-trained classifier的帮助下，所提方法对AP值提高了约。
4实验与结论
最终在test-set-challenge上取得了的好成绩，远远高于VisDrone2020的最高成绩。
图9 检测结果图
Anchorfree的输出可以有多个。它是一种网络安全解决方案，它可以帮助您保护您的网络流量，并且可以防止您的网络流量被窃取或拦截。它可以让您在网络上自由浏览，而不必担心被攻击者攻击或拦截。Anchorfree的输出可以通过它的安全服务器来实现，它可以帮助您访问被墙的网站，并且可以提供更安全的网络连接。此外，Anchorfree还提供了一些其他的安全功能，例如VPN，可以帮助您更好地保护您的网络安全。
热门频道首页博客研修院VIPAPP问答下载社区推荐频道活动招聘专题打开CSDN APPCopyright © 1999-2020, , All Rights Reserved打开APPAnchor-free之CenterNet 原创2020-07-09 22:39:58有点方 码龄7年关注anchor-base VS Anchor-freeAnchor-base存在的问题：•与锚点框相关超参 (scale、aspect ratio、IoU Threshold) 会较明显的影响最终预测效果；•预置的锚点大小、比例在检测差异较大物体时不够灵活；•大量的锚点会导致运算复杂度增大，产生的参数较多；•容易导致训练时negative与positive的比例失衡。Anchor-free算法的优点：•使用类似分割的思想来解决目标检测问题；•不需要调优与anchor相关的超参数；•避免大量计算GT boxes和anchor boxes 之间的IoU，使得训练过程占用内存更低。由于物体的中心区域是远小于其他背景区域的，整个分类的正负样本和难易样本是极不均衡的。直接训练这样的分类问题很难收敛到一个满意的结果。Base anchor对于正负样本比例失调的解决方式一般为focal loss 和OHEM。前者在损失函数上优化，对正负样本已经困难样本进行不同程度的惩罚；后者将原来的ROI网络扩充为两个ROI，一个ROI只有前向传播，用于计算损失，一个ROI正常前向后向传播，以hard example作为输入，计算损失并传递梯度，根据损失进行筛选，选出对分类和检测影响大的样本。Base anchor检测差异较大物体的策略主要是FPN，如果没有引入FPN，feature map的每个位置只能输出一个框，并且下采样的倍数是8或者16，那么可能会有很多物体的中心点落在同一格子中，这样就会导致训练的时候有多框重叠现象。FPN这种多层级的表示有效解决了这种冲突的现象，可以在一定程度上解决检测物体差异较大的现象。Anchor free没有使用FPN, feature map的每个位置只能输出一个框，下采样的倍数是8或者16，随着FPN的引入，不同尺寸的物体被分配到了不同的层级上，冲突的概率大大降低。CenterNet VS CornerNet等CornerNet将bbox的两个角作为关键点；ExtremeNet 检测所有目标的 最上，最下，最左，最右，中心点。它们都需要经过一个关键点grouping阶段，这会降低算法整体速度。CenterNet针对CornerNet对内部语义缺失和grouping耗时的问题，提出了对中心点进行估计的方法，找到目标的中心，回归出他们的尺寸。仅仅提取每个目标的中心点，无需对关键点进行grouping 或者是后处理。网络结构论文中CenterNet提到了三种用于目标检测的网络，这三种网络都是编码解码(encoder-decoder)的结构：1. Resnet-18 with up-convolutional layers : coco and 142 FPS2. DLA-34 : COCOAP and 52 FPS3. Hourglass-104 : COCOAP and FPS每个网络内部的结构不同，但是在模型的最后输出部分都是加了三个网络构造来输出预测值，默认是80个类、2个预测的中心点坐标、2个中心点的偏置。确立中心点在整个训练的流程中，CenterNet学习了CornerNet的方法。对于每个标签图(ground truth)中的某一类，我们要将真实关键点(true keypoint) 计算出来用于训练，中心点的计算方式如下对于下采样后的坐标，我们设为其中 R 是文中提到的下采样因子4。所以我们最终计算出来的中心点是对应低分辨率的中心点。然后我们对图像进行标记，在下采样的[128,128]图像中将ground truth point以下采样的形式，用一个高斯滤波来将关键点分布到特征图上。损失函数1.中心点的损失函数其中 α 和 β 是Focal Loss的超参数, N 是图像 I 的的关键点数量，用于将所有的positive focal loss标准化为1。在这篇论文中 α 和 β 分别是2和4。这个损失函数是Focal Loss的修改版，适用于CenterNet。2.目标中心的偏置损失图像进行了 R=4 的下采样，这样的特征图重新映射到原始图像上的时候会带来精度误差，因此对于每一个中心点，额外采用了一个local offset 去补偿它。所有类 c 的中心点共享同一个offset prediction，这个偏置值(offset)用L1 loss来训练：这个偏置损失是可选的，我们不使用它也可以，只不过精度会下降一些。3.目标大小的损失假设 (X1(k),Y1(k),X2(k),Y2(k)) 为为目标 k，所属类别为c，它的中心点为我们使用关键点预测 Y^ 去预测所有的中心点。然后对每个目标 K 的size进行回归，最终回归到Sk=(X2(k)-X1(k), Y2(k)-Y1(k))，这个值是在训练前提前计算出来的，是进行了下采样之后的长宽值。作者采用L1 loss 监督w,h的回归4.总损失函数整体的损失函数为物体损失、大小损失与偏置损失的和，每个损失都有相应的权重。论文中 size 和 off的系数分别为和1 ，论文中所使用的backbone都有三个head layer，分别产生[1,80,128,128]、[1,2,128,128]、[1,2,128,128]，也就是每个坐标点产生 C+4 个数据，分别是类别以及、长宽、以及偏置。推理阶段在预测阶段，首先针对一张图像进行下采样，随后对下采样后的图像进行预测，对于每个类在下采样的特征图中预测中心点，然后将输出图中的每个类的热点单独地提取出来。就是检测当前热点的值是否比周围的八个近邻点(八方位)都大(或者等于)，然后取100个这样的点，采用的方式是一个3x3的MaxPool。代码中设置的阈值为，也就是从上面选出的100个结果中调出大于该阈值的中心点，最后经过soft nms得到最终的结果。CenterNet的缺点1.当两个不同的object完美的对齐，可能具有相同的center，这个时候只能检测出来它们其中的一个object。2.有一个需要注意的点，CenterNet在训练过程中，如果同一个类的不同物体的高斯分布点互相有重叠，那么则在重叠的范围内选取较大的高斯点。附：DCN:文章知识点与官方知识档案匹配OpenCV技能树OpenCV中的深度学习图像分类12101 人正在系统学习中打开CSDN APP，看更多技术内容CenterNet(Objects as Points)学习笔记论文: Objects as Points Code: CenterNer的提出 一般的detection方法将object识别成(无旋转的)矩形框。大部分成功的object检测器会枚举出很多object的位置和尺寸，对每一个候选框进行分类。这是浪费的、低效的。 常规方法中的后处理方法(nms等)是很难微分(diff...继续访问『深度应用』对CenterNet的一些思考与质疑·对比与U版YoloV3速度与精度0.引子 笔者很喜欢CenterNet极简的网络结构，CenterNet只通过FCN（全卷积）的方法实现了对于目标的检测与分类，无需anchor与nms等复杂的操作高效的同时精度也不差。同时也可以很将此结构简单的修改就可以应用到人体姿态估计与三维目标检测之中。 后面一些针对CenterNet结构应用于其他任务，也取得不错的效果，比如人脸检测CenterFace以及目标追踪CenterTrack与FairMot。这些内容后面等笔者研习过后再补充，后面应该会做一个类CenterNet结构总结对比，感兴.继续访问最新发布 目标检测 | Anchor free之CenterNet深度解析点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达1 前言本文接着上一讲对CornerNet的网络结构和损失函数的解析,链接如下本文来聊一聊Anchor-Free领域耳熟能详的CenterNet。原论文...继续访问CenterNet遇到的问题问题总结 参考pillow报错 conda install 'pillow<' 报错参考THCG改main中 conda创建环境相关操作 conda相关操作2 : HTTP Error 404: Not Found网络问题 AttributeError: Can't pickle local objec...继续访问目标检测：使用mmdetection对比centernet与yolov3的性能前情概要 上一篇博客，我通过mmdetection实现的源码解释了centernet的原理，并分析了该算法的一些优缺点，本篇博客我将讲解如何通过mmdetection运行centernet，并基于一个x光数据集对比centernet与yolov3的性能。 本文使用数据集介绍 本文使用的数据集是安检x光的数据集，数据集大小为3600张图片和对应标注，样例图片如下 而需要检测的物体label有10个：knife、scissors、lighter、zippooil、pressure、slingshot、han继续访问关于CenterNet移动端部署的思考（for ncnn）参考 腾讯技术工程 公众号： 本文主要是参考 arlencai 大佬的博文，对于cneternet在ncnn平台移植的实操和分析，先mark一下，准备后续有空闲尝试将这一思路在nvidia的jetson平台上尝试部署，并进行系列优化（如硬件方面框架的tensorrt量化优化、网络层面的移动端部署替代，或者类似yolov5的CSP结构等方法改良尝试等） 一、背景 原文中，大佬主要是针对微信的“扫一扫”功能进行阐述继续访问CenterNet原文： 扔掉anchor！真正的CenterNet——Objects as Points论文解读 Oldpan 2019年5月16日 0条评论137次阅读0人点赞 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，...继续访问Anchor Free，框即是点，CenterNet论文：Objects as Points Github： CVPR 2019 CenterNet，一个anchor free的新的检测算法，算是对cornerNet的改进，在cornerNet基础上，引入了中心点的概念，因此，称为CenterNet。 算法亮点， anchor free，大大减少了a...继续访问深度学习（三十七）——CenterNet, Anchor-Free, NN QuantizationCenterNet CenterNet是中科院、牛津、Huawei Noah’s Ark Lab的一个联合团队的作品。（） 论文： 《CenterNet: Keypoint Triplets for Object Detection》 上图是CenterNet的网络结构图。 正如之前提到的，框对于物体来说不是一个最好的表示。同理，Corner也不是什么特别好的表示：绝大多数情况下，C...继续访问anchor-free目标检测之centernet自从anchor-free方法实现目标检测的Cornernet提出后，对其进行改进的方法也出现了许多。centernet是一篇对其进行改进的论文，将原来的二元组角点检测扩展为三元组检测，加入了中心点的检测。 为了克服需要手动设计anchor的超参数的问题，Cornernet提出基于关键点检测的方法。但是，基于关键点的方法经常会产生大量不正确的对象边界框，可以说是由于缺少对裁剪区域的额外观察。 ...继续访问目标检测深度学习方法综述（二）0.前言 本来准备将一些模型汇总成一篇博客的，但是不知道为啥写了一万多字之后这博客草稿就保存不了了，所以我将剩下的部分放到这篇博客中来（奇怪的BUG ）前文地址： 我们接着上篇文章的章节来好吧。 SSD算法 SSD 算法是 Faster RCNN 和 YOLO 的结合： 采...继续访问配置和运行CenterNet时踩过的坑在运行CenterNet时遇到的一些问题继续访问简单聊聊centerNet:将目标当成点－1．论文CenterNet：将目标视为点 《Objects as Points》 Date：20190417 Author：德克萨斯大学奥斯汀分校 和 UC 伯克利 ariXiv： github： ...继续访问CenterNet配置及问题详解作者原版github： Install 按照readme文件夹中的操作： 0.创建一个虚拟环境 conda create --name CenterNet python=创建一个名为CenterNet的虚拟环境 source activate CenterNet #激活...继续访问热门推荐 CenterNet算法笔记论文：Objects as Points 论文链接： 代码链接： 这篇CenterNet算法也是anchor-free类型的目标检测算法，基于点的思想和CornerNet是相似的，方法上做了较大的调整，整体上给人一种非常清爽的感觉，算法思想很朴素、直接，而且...继续访问论文阅读笔记 | 目标检测算法——CenterNet算法如有错误，恳请指出 文章目录1. Introduction2. keypoint detection offset size overall loss3. Objects as Points4. Result paper：Objects as Points Source code： 思想： 目标检测将对象识别为图像中与轴对齐的框。大多数成功的物体检测.继续访问目标检测Anchor free方法总结：YOLOv1、CornerNet、CenterNet、FCOSYOLOv1（2016）: CornerNet（2018）: CenterNet（2019）: FCOS（2019）： 什么是Anchor free方法？ Anchor free是相对于Anchor base而言的一种目继续访问Anchor-free目标检测系列3：CenterNet Object as pointsCenterNet(一个中心点) CenterNet: Objects as Points () 论文是由德克萨斯大学奥斯汀分校和UC 伯克利学者共同提出的真正意义上anchor-free的算法。与之前介绍的CornerNet系列算法不同，CenterNet仅仅检测目标中心点，没有后续的角点配对及NMS后处理操作，检测速度和精度相比于one-stage和two...继续访问扔掉anchor！真正的CenterNet——Objects as Points论文解读前言 anchor-free目标检测属于anchor-free系列的目标检测，相比于CornerNet做出了改进，使得检测速度和精度相比于one-stage和two-stage的框架都有不小的提高，尤其是与YOLOv3作比较，在相同速度的条件下，CenterNet的精度比YOLOv3提高了4个左右的点。 CenterNet不仅可以用于目标检测，还可以用于其他的一些任务，如肢体识别或者...继续访问深度学习计算机视觉机器学习写评论评论收藏点赞踩分享
是全球最大的预印本系统，由美国国家科学基金会和美国能源部资助，在美国洛斯阿拉莫斯（Los Alamos）国家实验室建立的电子预印本文献库（目前由美国康乃尔大学管理），始建于1991年8月。该预印本资料库由Dr. Ginsparg发起，旨在促进科学研究成果的交流与共享。arXiv 是较早的预印本库，也是物理学及相关专业领域中最大的，该数据库目前已有数学、物理学和计算机科学方面的论文可开放获取的达50多万篇。
一般在知网查到的都是正规期刊啊，
ok 有的呢、
是一个收录科学文献预印本的在线数据库，目前包含了超过50万篇文章，并且以每个月5000篇的速度增长着。
目前，这个数据库包含：数学，物理，计算机，非线性科学，定量生物学，定量财务以及统计学几大分类。其最重要的特点就是“开放式获取”，每个人都可以免费地访问全文数据。
名词解释：
网站(Website)是指在因特网上根据一定的规则，使用HTML（标准通用标记语言）等工具制作的用于展示特定内容相关网页的集合。
简单地说，网站是一种沟通工具，人们可以通过网站来发布自己想要公开的资讯，或者利用网站来提供相关的网络服务。人们可以通过网页浏览器来访问网站，获取自己需要的资讯或者享受网络服务。
，这个不能发中文论文，而且2009后发英文论文也很困难。无名研究者只能挂主流杂志发表过的文章，拒绝非主流杂志比如GALILEAN ELECTRODYNAMICS和PHYSICS ESSAYS等的论文。可能因为名气搞大了，万一你有个大成果抢先欧美研究人员发表在上面了，以后你就是第一发现者了，那是他们不愿意的；另一方面的原因是后来出现很多与主流观点不一致的论文也往那儿投，推崇主流观点，不欢迎任何与主流观点不一致的东西。中国研究者对现在欧美所谓SCITOP期刊和预印服务器必须有一个清醒的认识，开创性的论文提交给那些期刊或预印服务，作用仅仅是启发他们的研究人员抢先写出论文发表，你的论文必然被退回来。这不仅仅因为学术上的小利益，更重要的是科学意识形态称霸世界的政治大利益。原本是挂尚未发表的论文的预印服务器，2009后就升级成为欧美霸权的重要意识形态工具之一了。中科院极力推崇欧美TOP期刊，分什么一、二、三、四区，或因对国际政治斗争认识水平过低所致，抑或欧美培养的学术汉奸推波助澜。我读过nature和pr系列某个领域的大量文章，nature基本上不讲究计算论证，只讲究报道猎奇科学事件，比如欧或美宇航员在太空中邂逅一对外星人夫妻正在造人这一类的事件，要求像写文学作品那样写得很优雅，prl很多数学计算是完全错误的。考古方面我无发言权，与理论物理相关的我可以负责任告诉你，作为中国研究人员，如果你写什么光子纠缠量子通信那样有可能消耗很大国力而实际上属于纯粹胡扯的非开创性文章，nature和science或arXiv有可能发表。
arXiv不算正式发表，在学术圈内也不被认为是正式发表。
因为arXiv只是个提交论文预印本（preprint）的平台，而且里面的论文都没有经过同行评审（peer review），所以文章质量参差不齐。比较有名的计算机检索数据库DBLP数据库可以检索arXiv里的文章，DBLP把arXiv归类为非正式发表（informal publication）。
扩展资料
预印本服务
1、arXiv
该数据库收录有自 1991 年以来的 631，898 篇预印本文献，除此之外，还包括American Physical Society, Institute of Physics 等12种电子期刊全文，但不包括非学术性信息，如新闻或政策性文章等。用户可通过学科、标题、作者或关键词检索所需文献。
2、RePEc
目前该库包括工作论文237,000篇，期刊文章344,000 篇，软件1,600种，图书或部分章节2,700 种，以及16,200 位作者与出版物、10,700 个研究机构的联系信息。
其中，工作论文类似研究报告或预印本，可免费访问全文；期刊可检索和浏览到论文题录文摘信息，有的可以免费下载全文，商业期刊则需要订购权限。
参考资料来源：百度百科-预印本
我的看法就是这些科研人员应该是不会抄袭论文的，主要是因为抄袭了之后也并不能发布在网络上。所以应该是他们自己写的，这应该有一些误会。
北京理工大学研究生院回应了引发舆论争议的“一科研人员投稿论文疑似泄露并被一北京理工大学硕士抄袭挪用”事件。本次事件是实锤无误，不仅有被抄袭者的原论文和抄袭者的现论文对比；而且抄袭者也承认是他的错。然而这件事情远非抄袭那么简单。
抄袭者在2021年arxiv上传了一篇文章，一字不变。在被抄袭者投稿一年之后。因此时间上，必然是王剑锋拥有著作权，无可争议。
与之前发生过的公开论文被抄袭事件不同。按照AI会议的规定，审稿期间的文章是不允许外泄的，因此，抄袭者是如何得到论文的，是一大疑点。被抄袭论文与抄袭论文对比，王剑锋的论文和arxiv的抄袭论文放到一块对比，发现几乎一字不差。方法部分也一模一样，绝对不是“写作不规范”
但是全文照抄属实说不过去，应当负有学术责任。何况这次是抄袭未发表未公开的文章。可以这么说，如果说王剑锋没有锤他的话，这篇文章的著作权将被他夺去，因为抄袭者是第一个公开的。这是非常恶劣的事件，研究者几个月乃至几年的工作，就被几个小时的复制粘贴夺取，伤害的不仅是王剑锋本人，而且是其他认真做research的人的感情。抄袭者应当公开承认抄袭并道歉，而不是说“办事不周“”不了解情况“”希望不要留下污点“。幸亏这次是抄袭到了知乎大V，有几万粉丝的王剑锋，如果是抄袭的一般人，可能很难引起关注。
这几件事越来越启发导师们，应当首先对学生进行必要的学术诚信教育，划清底线。不然留下了案底，就很难在学术道路上走远了。
arXiv是计算机领域常用的论文预发表平台，作者可以通过将论文预发表至该平台，以声称对某种方法和思路的所有权。在该平台预发表后，不影响去其他期刊或会议的投稿和发表。
此外，还存在摘要几乎完全一致、图片及表格数据完全一致等。并且发表在“arXiv的文章中没有任何一个配图、表格、公式是新的，完全没有做额外的实验”。
根据发表在arXiv的文章信息，该文共3名作者分别是Minghao Gao、 Hailun Zhang、Yige Yan 。其中明确显示二作（同时为共同一作）、三作分别来自北京理工大学和河海大学。根据公开邮箱前缀的学号，王剑锋定位到二作是北京理工大学自动化学院智能信息处理与控制方向2020级硕士生张海伦。