点击上方△头像可进入主页，了解更多精彩内容~

目标检测：SimpleDet

项目名称：简单、通用的目标检测与实例识别框架

代码链接：https://github.com/TuSimple/simpledet

项目简介：

• FP16训练可节省内存，加速可达2.5倍；
• 可扩展的的分布式训练；
• 全面覆盖最先进的模型，包括FasterRCNN，MaskRCNN，CascadeRCNN，RetinaNet和TridentNet；
• 广泛的功能集，包括大批量BN，可变形卷积，软NMS，多尺度训练/测试
• 模块化设计，无需编码探索新的实验设置

项目结果：

目标渲染：Intel? Open Image Denoise library

项目名称：Intel的开源图像(渲染)去噪库

项目主页：https://openimagedenoise.github.io/

代码链接：https://github.com/OpenImageDenoise/oidn

项目简介：

英特尔?开放式图像降噪是一系列高性能，高质量的去噪滤镜，适用于使用光线追踪渲染的图像。 Open Image Denoise是英特尔渲染框架的一部分，其目的是提供一个开放，高质量，高效且易于使用的去噪库，可以显着减少基于光线跟踪的渲染应用程序中的渲染时间。它滤除了随机光线跟踪方法（如路径跟踪）固有的蒙特卡罗噪声，将每个像素的必要采样量减少了甚至多个数量级（取决于所需的接地真实度）。

项目结果：

目标识别：车辆细粒度识别

论文名称：BoxCars: Improving Fine-Grained Recognition of Vehicles Using 3-D Bounding Boxes in Traffic Surveillance

论文下载：https://arxiv.org/pdf/1703.00686.pdf

代码链接：https://github.com/JakubSochor/BoxCars

项目简介：

本文专注于细粒度识别，车辆主要用于交通监控的应用。与其他专注于细粒度的方法相比，本文方法是基于围绕车辆构建的3D边界框，同时提出了一种方法估计3D边界框。 3D边界框用于通过“解包”来标准化图像视点图像变成了一个平面。并且收集了一个大型的细粒度车辆数据集BoxCars116k。

项目结果：

Mark.AI专栏简介:

首个深度学习垂直领域资源推荐专栏，于每日晚更新，更新内容主要为人工智能与深度学习领域的论文开源源代码，用知识修炼心灵，以智慧对话世界，在这里，持续感受人工智能技术的魅力。

Mark.AI专栏推荐：

?资源推荐：深度学习开放数据集

?「码上十点」十月份机器学习最火的四篇文章

?「码上一课」快而准，经典的轻量级深度神经网络（论文代码）

?「码上一课」2018计算机视觉顶会论文及源代码分享