CenterNet：Keypoint Triplets for Object Detection
将目标检测当成一个点来检测，即用目标 box 的中心点来表示这个目标，预测目标的中心点偏移量 (offset)，宽高 (size) 来得到物体实际 box
Unet：Convolutional Networks for Biomedical Image Segmentation
在 FCN 的基础上设计解码器，并通过跨连接连接相同分辨率特征
我的语义分割学习路线
本文总结自己目前对语义分割的认识，和学习过程
ATSS：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection
ATSS 分析了代表 Anchor-base 的 RetinaNet 和代表 Anchor-free 的 FCOS 的正负样本选择过程，提出在在不同特征层上统计预测框 IOU，并使用其均值 + 方差作为正样本的阈值线，将这个正样本选择方法应用于 RetinaNet 和 FCOS，均带来性能的提升
Unet++：A Nested U-Net Architecture for Medical Image Segmentation
在 Unet 的基础上结合 DenseNet 的思想设计的语义分割网络
SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation
SegNet 是典型的 encoder-decoder 语义分割网络，通过反池化进行上采样
SegAN：Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation
借鉴 GAN 训练的思路，采用 min-max 的对抗学习模式来训练 segment 网络和 loss 网络
SENet：Squeeze-and-Excitation Networks
通过在 ResNet 中引入通道注意力机制，实现对通道的动态学习加权
SPM：Rethinking Spatial Pooling for Scene Parsing
SPM 提出条形池化模块，考虑的是较长但较窄的范围，而不是整个特征图，避免了在相距较远的位置之间建立不必要的连接
SEAM：Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
基于自监督的理念，通过观察发现同一图像经过不同的仿射变换所产生的 CAM 不一致这一特点，利用隐式的等变换约束的方式建立类似自监督对比学习的一致性正则化学习机制，减少这种不一致程度来优化 CAM，从而得到高精度的种子区域