基本信息 作者：M.斯科特 派克出版社：中華工商聯(lián)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宅此，作者從事心理醫(yī)生很多年格仲，深諳心智成熟對于一個人的身心...
發(fā)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(yè)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年了涛酗，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(jù)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 近幾年简软，依賴大規(guī)模標注數(shù)據(jù)和大量的可學習參數(shù)，深度神經網(wǎng)絡才能異軍突起述暂，占得機器學習半壁江山痹升。然而，也是因為這兩點使得深度學習的訓練變得極其困難畦韭，尤其...
-
優(yōu)化器方法-GC最近看到一篇博客[https://medium.com/@lessw/how-we-beat-the-fastai-leaderboard-score-by-19-77-a-...
-
長尾分布（非平衡）數(shù)據(jù)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(shù)據(jù)疼蛾，long-tailed distribution）問題，因為一些類別的數(shù)據(jù)本身就具有稀缺性艺配。尤其是細粒度分類數(shù)據(jù)集察郁，基本上...
-
優(yōu)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转唉，獲得了比單獨使用RAdam要好的效果皮钠。后來有人將LARS與Ranger結合，效果取得...
-
已修改赠法，多謝指正~
關于YOLOv3的一些細節(jié)
本文是我對YOLO算法的細節(jié)理解總結麦轰，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(fā)展過程砖织，不會與其他對象檢測算法進行對比款侵，也不會介紹YOLO9000相關的...
-
優(yōu)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侧纯，獲得了比單獨使用RAdam要好的效果新锈。后來有人將LARS與Ranger結合，效果取得...
-
這些參數(shù)都是來自原論文眶熬，由于本文的目的主要是對原論文的理解和補充妹笆，不照搬論文中已有的內容，所以有關損失函數(shù)中各個參數(shù)代表的意義還請參考原論文娜氏。
關于YOLOv3的一些細節(jié)
本文是我對YOLO算法的細節(jié)理解總結晾浴，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(fā)展過程牍白，不會與其他對象檢測算法進行對比脊凰，也不會介紹YOLO9000相關的...
-
S是由網(wǎng)絡決定的，即通過輸入圖像尺寸和網(wǎng)絡的降采樣率（網(wǎng)絡最后一層的feature map尺寸與輸入圖像尺寸的比值，網(wǎng)絡結構固定后該值就是固定的）計算得到的狸涌，例如網(wǎng)絡在寬度和高度方向的降采樣率均為32切省，輸入圖像尺寸是H*W，則輸出的feature map尺寸為（H/32）*（W/32）帕胆，此處高度方向的S便是（H/32）朝捆，寬度方向的是（W/32）。
關于YOLOv3的一些細節(jié)
本文是我對YOLO算法的細節(jié)理解總結懒豹，本文的閱讀前提是已讀過YOLO相關論文芙盘，文中不會談及YOLO的發(fā)展過程，不會與其他對象檢測算法進行對比脸秽，也不會介紹YOLO9000相關的...
-
優(yōu)化器方法-LARS(Layer-wise Adaptive Rate Scaling)最近看到一篇博客儒老，將最新的LookAhead和RAdam優(yōu)化器結合，產生了一個新的算法——Ranger记餐，獲得了比單獨使用RAdam要好的效果驮樊。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(jié)
本文是我對YOLO算法的細節(jié)理解總結，本文的閱讀前提是已讀過YOLO相關論文片酝，文中不會談及YOLO的發(fā)展過程囚衔，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雕沿，而是像上文中指出的练湿，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(jié)
本文是我對YOLO算法的細節(jié)理解總結审轮，本文的閱讀前提是已讀過YOLO相關論文肥哎，文中不會談及YOLO的發(fā)展過程，不會與其他對象檢測算法進行對比断国，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榆苞。常用的逐漸衰減策略包括階梯式地衰減（step learning rate decay）和指數(shù)衰減（...
-
@DLUTyan 問題一：是這樣的稳衬，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尺寸不同坐漏，所以最終只有一個與ground truth box IOU最大的anchor box對應的bounding box計算損失薄疚。問題二：S是指橫向和縱向上劃分的grid cell個數(shù)，YOLO中兩個是相等的赊琳，S和B在2.3節(jié)已經介紹了街夭，所以沒有再說明。
關于YOLOv3的一些細節(jié)
本文是我對YOLO算法的細節(jié)理解總結躏筏，本文的閱讀前提是已讀過YOLO相關論文板丽，文中不會談及YOLO的發(fā)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...
-
嗯嗯埃碱，是的猖辫，已修改，多謝指正??
關于YOLOv3的一些細節(jié)
本文是我對YOLO算法的細節(jié)理解總結砚殿，本文的閱讀前提是已讀過YOLO相關論文啃憎，文中不會談及YOLO的發(fā)展過程，不會與其他對象檢測算法進行對比似炎，也不會介紹YOLO9000相關的...
-
@地月懈逅N sigmoid的范圍為(0,1)辛萍，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羡藐，這樣可以使得模型訓練更加穩(wěn)定贩毕，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(jié)
本文是我對YOLO算法的細節(jié)理解總結传睹，本文的閱讀前提是已讀過YOLO相關論文耳幢，文中不會談及YOLO的發(fā)展過程，不會與其他對象檢測算法進行對比欧啤，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睛藻。 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...