sparse r-cnn: end-to-end object detection with learnable proposals

Sparse R-CNN是一种端到端的物体检测方法，其中使用可学习的提议来检测目标。与传统的R-CNN方法不同，Sparse R-CNN使用了稀疏的特征图来提高检测效率。该方法在多个数据集上进行了测试，并取得了很好的性能。

相关问题

dynamic sparse r-cnn

动态稀疏R-CNN是一种物体检测算法，其特点是在训练时使用动态稀疏正则化来学习网络中的稀疏性，从而提高检测精度和效率。其主要原理是在训练期间，对网络中的某些参数进行稀疏性正则化，使得网络能够更好地利用稀疏性。该算法在物体检测领域取得了很好的效果，可以用于计算机视觉、自动驾驶等领域。

3d u-net: learning dense volumetric segmentation from sparse annotation

b'3d u-net: learning dense volumetric segmentation from sparse annotation' 是一种利用稀疏注释学习密集体积分割的方法。该方法基于 3D U-Net 架构，将稀疏标注的样本和不同分辨率的图像层级相结合，从而实现了对密集分割的学习和预测。