先说一句：OpenCV 5 已经在路上了！

计算机视觉领域需要 AutoML 吗？

个人感觉MLsys不能算是一种方向，而是一种思路......比如对于system研究者来说，可以把ML作为我们开发的系统要适配的一种benchmark，就像transaction对于数据库、某种文件场景对于File System的意义一样。这样一想可做的空间就宽广多了。就算ML哪天又进入寒冬，之前所学的技术也仍然是可持续的。传统的system研究者也应该适应这个潮流，不能简单的把MLsys一律归为大水漫灌..

在这篇文章中，将和大家一起回顾一下近年来几个效果较好的3D目标检测算法。针对无人驾驶场景下，如何采用单目相机和双目立体相机实现行人和车辆的3D检测的几个算法进行一些对比和总结。并帮助更好地理解视觉3D目标检测算法的框架和当前主流算法的算法框架和基本原理

我们中的很多人知道ResNet的成功，当我们使用ResNet作为预训练网络时，有没有好奇过，怎么会有人能够想出这样的网络呢？这就是神经架构搜索做的事。

在notebook中，执行完上面的代码会显示如下的图，将网络的结构及各个层的name和shape进行了可视化。

在图像中局部像素之间的联系较为紧密，而距离较远的像素联系相对较弱。因此，其实每个神经元没必要对图像全局进行感知，只需要感知局部信息，然后在更高层局部信息综合起来即可得到全局信息。卷积操作即是局部感受野的实现，并且卷积操作因为能够权值共享，所以也减少了参数量。

本次分享的主题是文字检测（Text Detection），分享者是旷视研究院检测组算法研究员谢恩泽。通过这篇文章，可以一窥旷视研究院近两年在该方向的工作与思考，并希望为计算机视觉社区带来启发，进一步推动文字检测技术的研究与落地。

这篇文章来自来自旷视和清华研究组，被ECCV2018所收录。为什么直接介绍shuffleNetV2，而不是从V1开始？因为V2的效果一定是比V1好的，并且V2是从V1上发展而来，这样我们就可以既学习了V2又学习了V1的不足。对照的学习，这样我jio得效率是最高的。

An Analysis of Scale Invariance in Object Detection - SNIP

本笔记记录人脸检测算法 AFD_HP，来自AInnovation Technology Ltd, beijing（创新奇智），和PyramidBox++、VIM-FD、Improved SRN有点类似，都是性能小怪兽，在wider face上排名靠前，引入了现有人脸检测中很优秀的子模块，所有子模块都能对结果有积极影响（不过文中并没有消融实验评估各个子模块的贡献率），最终性能在wider face上就sota了

16个入门问题，丰富你的学习

今年的CVPR Oral论文的接收率不到5.6%（288/5160约5.6%，或者288/1300约22.2%），很不容易。我们组2017年刚刚成立，今年的第一篇CVPR论文Side Window Filtering非常幸运地被评为了Oral。有趣的是，我们的论文不是一篇深度学习的论文。

最近 Anchor-free (no-prior box)的概念又重新火热起来，anchor-free的概念从2015年densebox, yolov1开始出现，但一开始性能并不是很好，后来基于anchor(prior box)的概念的检测算法如faster rcnn, ssd性能有很大的提升，于是目标检测从此走进anchor时代，但是最近anchor-free的文章出现很多，目标检测发现不使用anchor依然可以达到较好的效果。今天要介绍的Dubox和Densebox都是由百度提出的无先验框的一阶段目标检测算法。

CVPR2019 Curved Text

这篇文章将从一个证件检测网络(Retinanet)的轻量化谈起，简洁地介绍，我在实操中使用到的设计原则和idea，并贴出相关的参考资料和成果供读者参考。因此本文是一篇注重工程性、总结个人观点的文章，存在不恰当的地方，请读者在评论区指出，方便交流。