基本信息 作者：M.斯科特 派克出版社：中华工商联合出版社 阅读心得 本书的副标题是心智成熟之旅，主旨便是和心智成熟有关，作者从事心理医生很多年，深谙心智成熟对于一个人的身心...
发简信
IP属地：北京
-
少有人走的路-心智成熟之旅
-
Vision Transformer阶段性总结 (2021.10)0. 前言 近两年学术界对Transformer在CV上的应用可谓异常青睐，这里重点强调学术界的原因是目前工业界还是比较冷静的（部分公司已经开始考虑Vision Trrans...
-
超详细解读Faster R-CNN-FPN0. 一些啰嗦 2021年了，竟然还有人写关于Faster R-CNN的文章？我的原因主要有两点： 根据我们在实际项目和比赛中的经验，基于RoIAlign和FPN的Faste...
-
GPU卡的底层通信原理1.引言 为什么要并行 近几年，依赖大规模标注数据和大量的可学习参数，深度神经网络才能异军突起，占得机器学习半壁江山。然而，也是因为这两点使得深度学习的训练变得极其困难，尤其...
-
-
长尾分布（非平衡）数据集分类中解耦合特征学习和分类器学习方法问题 实际的分类任务中大多存在样本不平衡（长尾数据，long-tailed distribution）问题，因为一些类别的数据本身就具有稀缺性。尤其是细粒度分类数据集，基本上...
-
优化器方法-LookAhead最近看到一篇博客，将LookAhead和RAdam结合产生了一个新的算法——Ranger，获得了比单独使用RAdam要好的效果。后来有人将LARS与Ranger结合，效果取得...
-
已修改，多谢指正~
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
优化器方法-RAdam (Rectified Adam)最近看到一篇博客，将LookAhead和RAdam结合产生了一个新的算法——Ranger，获得了比单独使用RAdam要好的效果。后来有人将LARS与Ranger结合，效果取得...
-
这些参数都是来自原论文，由于本文的目的主要是对原论文的理解和补充，不照搬论文中已有的内容，所以有关损失函数中各个参数代表的意义还请参考原论文。
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
S是由网络决定的，即通过输入图像尺寸和网络的降采样率（网络最后一层的feature map尺寸与输入图像尺寸的比值，网络结构固定后该值就是固定的）计算得到的，例如网络在宽度和高度方向的降采样率均为32，输入图像尺寸是H*W，则输出的feature map尺寸为（H/32）*（W/32），此处高度方向的S便是（H/32），宽度方向的是（W/32）。
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
优化器方法-LARS(Layer-wise Adaptive Rate Scaling)最近看到一篇博客，将最新的LookAhead和RAdam优化器结合，产生了一个新的算法——Ranger，获得了比单独使用RAdam要好的效果。后来有人将LARS与Ranger...
-
@sundayoO xy计算sigmoid应该是在这里：https://github.com/pjreddie/darknet/blob/61c9d02ec461e30d55762ec7669d6a1d3c356fb2/src/yolo_layer.c#L141
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
YOLOv3作者没有使用交叉熵损失，而是像上文中指出的，使用的是L2 loss，这是作者源代码链接：https://github.com/pjreddie/darknet/blob/61c9d02ec461e30d55762ec7669d6a1d3c356fb2/src/yolo_layer.c#L132
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
Cyclic Learning rate和SGDR-学习率调整策略论文两篇概述 之前的学习率调整策略可以分为两种，分别是逐渐衰减策略和自适应调整策略。常用的逐渐衰减策略包括阶梯式地衰减（step learning rate decay）和指数衰减（...
-
@DLUTyan 问题一：是这样的，对象中心所在的grid cell有多个，但是不同层的每个grid cell的anchor box尺寸不同，所以最终只有一个与ground truth box IOU最大的anchor box对应的bounding box计算损失。问题二：S是指横向和纵向上划分的grid cell个数，YOLO中两个是相等的，S和B在2.3节已经介绍了，所以没有再说明。
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
嗯嗯，是的，已修改，多谢指正??
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
@地月懈逅N sigmoid的范围为(0,1)，两个位置的sigmoid的MSE波动不会太大，相比相对直接计算两个位置的MSE，这样可以使得模型训练更加稳定，这可能也是作者去掉YOLOv1中各个loss权重的原因。
关于YOLOv3的一些细节
本文是我对YOLO算法的细节理解总结，本文的阅读前提是已读过YOLO相关论文，文中不会谈及YOLO的发展过程，不会与其他对象检测算法进行对比，也不会介绍YOLO9000相关的...
-
Corner-based对象检测算法三连之——长江后浪MatrixNet概述 MatrixNet作者指出并尝试解决已有对象检测方法中存在的两个问题。 之前的对象检测算法都是使用3x3的卷积核在正方形的feature map上进行特征抽取，并且后一...