原创 深度學習圖像分類（一）——AlexNet論文理解
0. 寫作目的 好記性不如爛筆頭。 1. 論文理解 1.1 ReLU 激活函數的使用 Rectified Linear Units(ReLU) 使用ReLU比使用tanh（或者sigmoid）激活函數收斂速度更快。下圖來自AlexNet論
2020-06-15 17:59:26
原创 linux 使用技巧（不斷更新）(screen 和tmux的使用)
0. 寫作目的 好記性不如爛筆頭。 1. screen後臺運行程序 1.1 建立screen 使用XShell(windows)或者SSH（ubuntu）連接遠程終端，建立一個screen screen -S name ## name
2020-06-15 17:59:26
1
原创 深度學習目標檢測（一）——YOLOV2論文細節理解
0. 寫作目的 好記性不如爛筆頭。說實話，YOLO的論文真心難明白，文獻[2]中解釋的很到位。 1. Better 與Fast R-CNN相比，YOLOv1 的錯誤分析顯示：YOLOv1有較低的召回率和迴歸框的錯誤。因此YOLOv2目的在
2020-06-15 17:59:26
25
原创 如何判斷一個點在多邊形的內部
1. 背景 給定任意多邊形（不一定是凸多邊形）的頂點座標（逆時針給出點的座標）， 然後給定一點，判斷該點是否在多邊形內部？ 2. 思路 使用 向量的叉乘（向量積）來進行計算。 向量積複習：
2020-06-15 17:59:16
2
原创 CCNet_Criss-Cross Attention for Semantic Segmentation
0. 寫作目的 好記性不如爛筆頭。 1. 主要思路 目前的self-attention需要生成 N * N 的affinity 矩陣（其中N = H * W）， 作者提出存在一種更有效的方法？ 因此作者提出了
2020-05-25 11:13:38
1
原创 OCNet_Object Context Network for Scene parsing
0. 寫作目的 好記性不如爛筆頭。 1. 主要思想 使用self-attention引入同類的 object context map。 （感覺這個自監督，沒有CVPR2020中 CPNet更直觀） 如下圖：
2020-05-06 03:16:51
1
原创 ACNet_ Adaptive Context Network for Scene Parsing
0. 寫作目的 好記性不如爛筆頭。 1. 主要思想 在feature 中對於全局上下文和局部上下文引入不同的權重。 （個人感覺思想上，cvpr2020 中的 CPNet 引入同類和非同類的權重更好一些） 2. 模型的框架
2020-05-06 03:16:51
原创 cvpr2020_SPNet_ Strip Pooling: rethinking spatial Pooling for Scene Parsing
0. 寫作目的 好記性不如爛筆頭。 1. 問題 目前的 spatial pooling 都是 N*N的，這會限制他們捕捉特徵。如分佈狹長的 2. 解決方法 使用1*k 和 k * 1的pooling。 同時結合
2020-05-06 03:16:51
2
原创 PSPNet_ Pyramid Scene Parsing Network
0. 寫作目的 好記性不如爛筆頭。 1. 問題 ADE20K 數據集存在的一些問題： 1， 錯分： 圖2第一行，船被誤分爲車了。 如果使用了全局信息，則可以避免這種情況。 2。 迷惑的類別： 第二行，建築和摩天大樓。 3。 不
2020-05-06 03:16:51
原创 FCN—— Fully Convolutional Networks for Semantic Segmentation
0. 寫作目的 好記性不如爛筆頭，爲了後續快速查看。 1. 模型架構： 其中上採樣爲線性插值。 融合策略爲： element sum 2. 評價指標： There may be som
2020-05-06 03:16:51
原创 GCN_large kernel matters_improving semantic seg by global conv network
0. 寫作目的 好記性不如爛筆頭。 1. 主要思想 分割需要對像素進行分類，同時精確定位，而這兩個任務是存在矛盾的。 作者發現 large kernel conv對於分割更有效。 主要是 使用1 * k + k *1 和
2020-05-06 03:16:51
原创 cvpr2020_CPNet_ Context Prior for Scene Segmentation
0. 寫作目的： 好記性不如爛筆頭。 1. 問題 目前的方法很少區分，不同類之間的上下文依賴，這可能會影響精度。 如： 2. 解決方法 作者使用Context Prior 來同類和不同類的（類內和類間）的關係進
2020-05-06 03:16:51
原创 refineNet_multi-path refinement network for high-resolution semantic seg
0. 寫作目的 好記性不如爛筆頭。 1. 問題 下采樣導致損失了細節信息。 2. 解決方法 高層的信息和低層的信息都有用。 作者對所有的信息都使用。 3. 模型 具體細節： 2x表示使用兩次 RCU。逐層進行使用re
2020-05-06 03:16:51
原创 Google的yapf進行風格標準化
0. 目的 向github上傳 code前，使用Google的 yapf模塊（python）進行代碼格式的修改。 1. 使用方法 1.1 安裝： pip install yapf (python3) (對於py
2020-02-22 17:08:42
原创 如何計算深度學習網絡中的感受野(Receptive Field)(以DenseBox中的網絡爲例)
1. Receptive Field 計算方法 當前層的stride: 歷史所有層的stride的乘機 當前層的Receptive Field: RF = last_RF + (ksize - 1) * history_stride
2019-04-15 01:35:47