直接将ReID头加入检测网络会造成跟踪性能大的下降，从而造成过多IDSW。本文探究了失败的原因，并提出了一种简单有效的解决方案。

论文：FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking

代码： https://github.com/ifzhang/FairMOT

- 阅读剩余部分 -

我们观测到的数据总是包含噪声的，为了得到更准确的结果，卡尔曼最早在1960年提出卡尔曼滤波器，Kalman Filter 的目的是利用先验知识，根据一批采样数据$(X_1, X2, ...,X_n)$估计对象在n时刻的状态$Z_n$。例如我们在跟踪飞行器的时候，我们对它的运动状态并非一无所知，我们知道很多牛顿力学、运动学知识可以帮助我们做出判断。

- 阅读剩余部分 -

论文：Towards Rotation Invariance in Object Detection——ICCV2021

代码：https://github.com/akasha-imaging/ICCV2021

- 阅读剩余部分 -

PolarMask是一种基于FCOS的，单阶段的实例分割框架。它首次证明了实例分割的复杂性，无论是网络设计还是计算复杂度，都可以和bbox目标检测相同，并且具有不错的准确性。

论文：PolarMask: Single Shot Instance Segmentation with Polar Representation

代码：https://github.com/xieenze/PolarMask

- 阅读剩余部分 -

在FPN检测算法中，目标实例根据公式$k=\lfloor k_0+\log_2(\sqrt{wh}/224) \rfloor$分配到对应的level中。但是用于训练的每个实例分配到的特征级别可能不是最佳的。

本文的动机是让每个实例自由选择最佳的特征级别来优化网络。在训练过程中，根据实例内容（而不只是实例框的大小）为每个实例动态选择最合适的特征级别。

论文：Feature Selective Anchor-Free Module for Single-Shot Object Detection

代码：https://github.com/zccstig/mmdetection/tree/fsaf

​https://github.com/xuannianz/FSAF

- 阅读剩余部分 -

用GCN做视频的零样本动作识别

论文：I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph Convolutional Networks and Knowledge Graphs

代码：https://github.com/junyuGao/Zero-Shot-Action-Recognition-with-Two-Stream-GCN

- 阅读剩余部分 -

论文：SketchGCN: Semantic Sketch Segmentation with Graph Convolutional Networks

代码：暂未开放源代码

这篇文章首次使用GCN进行手绘草图的语义分割任务，如下图中，将手绘的螃蟹的眼睛、钳子、身体、腿用不同的颜色标注。下图是SketchGCN的网络结构图。

- 阅读剩余部分 -

1. 基础知识-图*

图神经网络中的图是指数据结构中的图的样子，图由顶点(Vertex)和边(Edge)构成G=(V,E)，顶点连接的边的数量叫做顶点的度(Degree)。

- 阅读剩余部分 -

这篇文章是我入门目标检测接触的第一篇论文，也是我本科毕设的baseline，因此文章中可能有很多看起来很幼稚的问题，感谢师兄当时的耐心！

（红色字为问题，绿色框为批注答疑，高亮为当时没理解清楚以后需留意补充的内容。）

论文：FCOS: Fully Convolutional One-Stage Object Detection
代码：https://github.com/tianzhi0549/FCOS

- 阅读剩余部分 -