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(biāo)題是心智成熟之旅，主旨便是和心智成熟有關(guān)，作者從事心理醫(yī)生很多年，深諳心智成熟對于一個(gè)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(jié) (2021.10)0. 前言 近兩年學(xué)術(shù)界對Transformer在CV上的應(yīng)用可謂異常青睞，這里重點(diǎn)強(qiáng)調(diào)學(xué)術(shù)界的原因是目前工業(yè)界還是比較冷靜的（部分公司已經(jīng)開始考慮Vision Trrans...
-
超詳細(xì)解讀Faster R-CNN-FPN0. 一些啰嗦 2021年了，竟然還有人寫關(guān)于Faster R-CNN的文章？我的原因主要有兩點(diǎn)： 根據(jù)我們在實(shí)際項(xiàng)目和比賽中的經(jīng)驗(yàn)，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(guī)模標(biāo)注數(shù)據(jù)和大量的可學(xué)習(xí)參數(shù)，深度神經(jīng)網(wǎng)絡(luò)才能異軍突起，占得機(jī)器學(xué)習(xí)半壁江山。然而，也是因?yàn)檫@兩點(diǎn)使得深度學(xué)習(xí)的訓(xùn)練變得極其困難，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(xué)習(xí)和分類器學(xué)習(xí)方法問題 實(shí)際的分類任務(wù)中大多存在樣本不平衡（長尾數(shù)據(jù)，long-tailed distribution）問題，因?yàn)橐恍╊悇e的數(shù)據(jù)本身就具有稀缺性。尤其是細(xì)粒度分類數(shù)據(jù)集，基本上...
-
優(yōu)化器方法-LookAhead最近看到一篇博客，將LookAhead和RAdam結(jié)合產(chǎn)生了一個(gè)新的算法——Ranger，獲得了比單獨(dú)使用RAdam要好的效果。后來有人將LARS與Ranger結(jié)合，效果取得...
-
已修改，多謝指正~
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
優(yōu)化器方法-RAdam (Rectified Adam)最近看到一篇博客，將LookAhead和RAdam結(jié)合產(chǎn)生了一個(gè)新的算法——Ranger，獲得了比單獨(dú)使用RAdam要好的效果。后來有人將LARS與Ranger結(jié)合，效果取得...
-
這些參數(shù)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(bǔ)充，不照搬論文中已有的內(nèi)容，所以有關(guān)損失函數(shù)中各個(gè)參數(shù)代表的意義還請參考原論文。
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
S是由網(wǎng)絡(luò)決定的，即通過輸入圖像尺寸和網(wǎng)絡(luò)的降采樣率（網(wǎng)絡(luò)最后一層的feature map尺寸與輸入圖像尺寸的比值，網(wǎng)絡(luò)結(jié)構(gòu)固定后該值就是固定的）計(jì)算得到的，例如網(wǎng)絡(luò)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(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
優(yōu)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(yōu)化器結(jié)合，產(chǎn)生了一個(gè)新的算法——Ranger，獲得了比單獨(dú)使用RAdam要好的效果。后來有人將LARS與Ranger...
-
@sundayoO xy計(jì)算sigmoid應(yīng)該是在這里：https://github.com/pjreddie/darknet/blob/61c9d02ec461e30d55762ec7669d6a1d3c356fb2/src/yolo_layer.c#L141
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
YOLOv3作者沒有使用交叉熵?fù)p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(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
Cyclic Learning rate和SGDR-學(xué)習(xí)率調(diào)整策略論文兩篇概述 之前的學(xué)習(xí)率調(diào)整策略可以分為兩種，分別是逐漸衰減策略和自適應(yīng)調(diào)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(shù)衰減（...
-
@DLUTyan 問題一：是這樣的，對象中心所在的grid cell有多個(gè)，但是不同層的每個(gè)grid cell的anchor box尺寸不同，所以最終只有一個(gè)與ground truth box IOU最大的anchor box對應(yīng)的bounding box計(jì)算損失。問題二：S是指橫向和縱向上劃分的grid cell個(gè)數(shù)，YOLO中兩個(gè)是相等的，S和B在2.3節(jié)已經(jīng)介紹了，所以沒有再說明。
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
嗯嗯，是的，已修改，多謝指正??
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)的...
-
@地月懈逅N sigmoid的范圍為(0,1)，兩個(gè)位置的sigmoid的MSE波動(dòng)不會(huì)太大，相比相對直接計(jì)算兩個(gè)位置的MSE，這樣可以使得模型訓(xùn)練更加穩(wěn)定，這可能也是作者去掉YOLOv1中各個(gè)loss權(quán)重的原因。
關(guān)于YOLOv3的一些細(xì)節(jié)
本文是我對YOLO算法的細(xì)節(jié)理解總結(jié)，本文的閱讀前提是已讀過YOLO相關(guān)論文，文中不會(huì)談及YOLO的發(fā)展過程，不會(huì)與其他對象檢測算法進(jìn)行對比，也不會(huì)介紹YOLO9000相關(guān)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(gè)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(jìn)行特征抽取，并且后一...