版权所有，如需转载请联系作者。 本文是最近新出的实时实例分割的两篇论文的学习笔记，这两篇论文的方法代表目前实时实例分割的最高结果。 YOLACT这篇文章的目标是解决实例分割的实时性问题。通过在现有one-stage目标检测模型的基础上添加mask分支来解决这一问题。与Mask R-CNN等明显使 ...

简介在本文中，作者提出了一种用于目标实例分割的方法。该方法在检测目标的同时针对每一个目标实例产生一个高质量的分割蒙板。Mask R-CNN通过在Faster R-CNN现有的用于目标检测的分支的基础上添加用于目标mask预测的分支实现。 首先，我们需要清楚几大计算机视觉常见问题的区别： 图片分类 ...

二叉树本文为数据结构与算法之美的学习笔记，如需学习完整内容，请参考链接，禁止转载。 树树的直观表现如下图所示： 将树中的每个元素称为“节点”；相邻节点之间的关系被称为“父子关系”。如下图所示，A节点是B节点的父节点，B节点是A节点的子节点，B、C、D的父节点相同，因而这三个节点被称为兄弟节点。将没 ...

EfficientDet: Scalable and Efficient Object Detection为了得到高效率的目标检测算法，人们提出了很多研究。例如： one-stage目标检测算法：YOLO系列等； anchor-free目标检测算法：CornerNet等； 对现有的模型进行压缩：模 ...

统一的编程规范为何重要？本文为景霄-Python核心技术与实战的学习笔记，如要查看完整内容请点击链接。 统一的编程规范可以提高开发效率，开发效率涉及三类对象，即：阅读者、编程者和机器。三者的优先级是：阅读者的体验>>编程者的体验>>机器的体验。 阅读者的体验 高于 编程者在代 ...

图像分割的损失函数 本文翻译自losses for image segmentation 基于分布相似度的损失在此类损失函数中，主要使用信息论中的交叉熵机制来度量模型输出和真实目标之间所包含的信息的相似性。 交叉熵损失假设$P(Y=0)=p$，$P(Y=1)=1-p$。预测值由logistic/s ...

对数据不平衡的应对在比赛中经常会遇到数据不平衡的问题，各个类别之间的数据量不平衡容易导致模型对数据量少的类别的检测性能较低。数据不平衡问题可以分为以下两种情况： 大数据分布不均衡。这种情况下整体数据规模大，只是其中的少样本类的占比较少。但是从每个特征的分布来看，小样本也覆盖了大部分或全部的特征。例 ...

模型训练常见曲线变化分析在进行模型训练时，学会从模型损失和正确率曲线中获取当前模型的状态信息是一个非常重要的技能，本文将对在模型训练中可能遇到的各种训练曲线进行总结。 学习率与损失曲线 学习率对模型的训练非常重要： 学习率高的情况 当学习率非常大时（对应黄色曲线），损失曲线会迅速下降，而后上升。 ...

行人重识别入门什么是行人重识别？行人重识别的定义行人重识别，也称行人再识别（ReID），其任务是希望能够利用计算机视觉的算法来进行跨摄像头的追踪，也就是找到不同摄像头下的同一个人，这也是图像检索的一个子问题，同时因为摄像头的距离比较远，所以人的图像都比较模糊，没有办法通过人脸来定位，同时 ReID ...

哈希算法-上 本文为数据结构与算法之美-王争的学习笔记，如需查看完整内容，请参考链接。 哈希算法的定义 将任意长度的二进制值串映射为固定长度的二进制值串，所用的映射规则就是哈希算法，通过原始数据映射之后得到的二进制值串就是哈希值。 一个优秀的哈希算法需要满足以下几点要求： 从哈希值不能反向推导 ...

实时目标检测：YOLO、YOLOv2以及YOLOv3本文翻译自：Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3 You only look once（YOLO）是一系列用于解决实时目标检测问题的算法。在本文中，将依次介绍YOLO ...

列表self.append无限嵌套的原理如下述代码所示： x = [1]x.append(x)x[1, [...]] 上述操作的示意如下： 虽然x是无限嵌套的列表，但是x.append(x)操作并不会遍历其中的每一个元素，只是扩充了原列表的第二个元素，并将其指向x，因而不会出现栈溢出的问题。同 ...