基本信息 作者：M.斯科特 派克出版社：中華工商聯合出版社 閱讀心得 本書的副標題是心智成熟之旅，主旨便是和心智成熟有關，作者從事心理醫生很多年，深諳心智成熟對于一個人的身心...
發簡信
IP屬地：北京
-
少有人走的路-心智成熟之旅
-
Vision Transformer階段性總結 (2021.10)0. 前言 近兩年學術界對Transformer在CV上的應用可謂異常青睞，這里重點強調學術界的原因是目前工業界還是比較冷靜的（部分公司已經開始考慮Vision Trrans...
-
超詳細解讀Faster R-CNN-FPN0. 一些啰嗦 2021年了，竟然還有人寫關于Faster R-CNN的文章？我的原因主要有兩點： 根據我們在實際項目和比賽中的經驗，基于RoIAlign和FPN的Faste...
-
GPU卡的底層通信原理1.引言 為什么要并行 近幾年，依賴大規模標注數據和大量的可學習參數，深度神經網絡才能異軍突起，占得機器學習半壁江山。然而，也是因為這兩點使得深度學習的訓練變得極其困難，尤其...
-
-
長尾分布（非平衡）數據集分類中解耦合特征學習和分類器學習方法問題 實際的分類任務中大多存在樣本不平衡（長尾數據，long-tailed distribution）問題，因為一些類別的數據本身就具有稀缺性。尤其是細粒度分類數據集，基本上...
-
優化器方法-LookAhead最近看到一篇博客，將LookAhead和RAdam結合產生了一個新的算法——Ranger，獲得了比單獨使用RAdam要好的效果。后來有人將LARS與Ranger結合，效果取得...
-
已修改，多謝指正~
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
優化器方法-RAdam (Rectified Adam)最近看到一篇博客，將LookAhead和RAdam結合產生了一個新的算法——Ranger，獲得了比單獨使用RAdam要好的效果。后來有人將LARS與Ranger結合，效果取得...
-
這些參數都是來自原論文，由于本文的目的主要是對原論文的理解和補充，不照搬論文中已有的內容，所以有關損失函數中各個參數代表的意義還請參考原論文。
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
S是由網絡決定的，即通過輸入圖像尺寸和網絡的降采樣率（網絡最后一層的feature map尺寸與輸入圖像尺寸的比值，網絡結構固定后該值就是固定的）計算得到的，例如網絡在寬度和高度方向的降采樣率均為32，輸入圖像尺寸是H*W，則輸出的feature map尺寸為（H/32）*（W/32），此處高度方向的S便是（H/32），寬度方向的是（W/32）。
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
優化器方法-LARS(Layer-wise Adaptive Rate Scaling)最近看到一篇博客，將最新的LookAhead和RAdam優化器結合，產生了一個新的算法——Ranger，獲得了比單獨使用RAdam要好的效果。后來有人將LARS與Ranger...
-
@sundayoO xy計算sigmoid應該是在這里：https://github.com/pjreddie/darknet/blob/61c9d02ec461e30d55762ec7669d6a1d3c356fb2/src/yolo_layer.c#L141
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
YOLOv3作者沒有使用交叉熵損失，而是像上文中指出的，使用的是L2 loss，這是作者源代碼鏈接：https://github.com/pjreddie/darknet/blob/61c9d02ec461e30d55762ec7669d6a1d3c356fb2/src/yolo_layer.c#L132
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
Cyclic Learning rate和SGDR-學習率調整策略論文兩篇概述 之前的學習率調整策略可以分為兩種，分別是逐漸衰減策略和自適應調整策略。常用的逐漸衰減策略包括階梯式地衰減（step learning rate decay）和指數衰減（...
-
@DLUTyan 問題一：是這樣的，對象中心所在的grid cell有多個，但是不同層的每個grid cell的anchor box尺寸不同，所以最終只有一個與ground truth box IOU最大的anchor box對應的bounding box計算損失。問題二：S是指橫向和縱向上劃分的grid cell個數，YOLO中兩個是相等的，S和B在2.3節已經介紹了，所以沒有再說明。
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
嗯嗯，是的，已修改，多謝指正??
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
@地月懈逅N sigmoid的范圍為(0,1)，兩個位置的sigmoid的MSE波動不會太大，相比相對直接計算兩個位置的MSE，這樣可以使得模型訓練更加穩定，這可能也是作者去掉YOLOv1中各個loss權重的原因。
關于YOLOv3的一些細節
本文是我對YOLO算法的細節理解總結，本文的閱讀前提是已讀過YOLO相關論文，文中不會談及YOLO的發展過程，不會與其他對象檢測算法進行對比，也不會介紹YOLO9000相關的...
-
Corner-based對象檢測算法三連之——長江后浪MatrixNet概述 MatrixNet作者指出并嘗試解決已有對象檢測方法中存在的兩個問題。 之前的對象檢測算法都是使用3x3的卷積核在正方形的feature map上進行特征抽取，并且后一...