每日论文 | 进行精确目标检测的边界框回归新方法；让强化学习在动态系统上更稳定的方法；对图片进行端到端的人类姿势估计

1

Softer-NMS: Rethinking Bounding Box Regression for Accurate Object Detection

非极大抑制对目前的目标检测任务是非常重要的，但是，精确的目标定位通常没有较高的分类得分，这就导致在非极大抑制过程中无法进行目标定位。在这篇论文中，我们提出了一种新的边界框回归损失，可以同时学习边界框转换和位置变量。最终的位置变量能让定位非常精确。

地址：https://arxiv.org/abs/1809.08545

2

Resilient Computing with Reinforcement Learning on a Dynamical System: Case Study in Sorting

机器人或智能体通常在完成任务时都会使用有限的资源，依靠不完美的模型和传感器。同时，强化学习和反馈控制能帮助机器人完成任务。利用已有的基础，这篇论文将反馈控制问题用一般的计算进行表示，让智能体能突破某些编程语言的限制，对某些错误更稳定。我们在经典的分类问题上进行的该研究。

地址：https://arxiv.org/abs/1809.09261

3

RPNet: an End-to-End Network for Relative Camera Pose Estimation

这篇论文讨论了用深度神经网络，从原始图像像素中对相机中的姿态进行估计。RPNet网络将一对图片作为输入，直接推断出相关的动作姿态，不需要详解的信息。

地址：https://arxiv.org/abs/1809.08402