<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Lingyun]]></title><description><![CDATA[未来可期]]></description><link>https://blog.youkuaiyun.com/DL_wly</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DL_wly]]></copyright><item><title><![CDATA[超级实用的linux命令]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/107664235</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/107664235</guid><author>DL_wly</author><pubDate>Wed, 29 Jul 2020 14:50:32 +0800</pubDate><description><![CDATA[玩过Linux的人都会知道，Linux中的命令的确是非常多，但是玩过Linux的人也从来不会因为Linux的命令如此之多而烦恼，因为我们只需要掌握我们最常用的命令就可以了。当然你也可以在使用时去找一下man，他会帮你解决不少的问题。然而每个人玩Linux的目的都不同，所以他们常用的命令也就差异非常大，而我主要是用Linux进行C/C++和shell程序编写的，所以常用到的命令可以就会跟一个管理Linux系统的人有所不同。因为不想在使用是总是东查西找，所以在此总结一下，方便一下以后的查看。不多说，下面就说说我]]></description><category></category></item><item><title><![CDATA[新的开始]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/105412033</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/105412033</guid><author>DL_wly</author><pubDate>Thu, 09 Apr 2020 15:37:21 +0800</pubDate><description><![CDATA[前一阵子一直在做毕设，最近终于搞完毕设论文并且休息了很久啦~~

因为疫情原因，在家里学习效率堪忧，好久没有静下心来学习了，看了一遍C的书，并没有什么收获，还是需要实践！

从明天开始，终于又要开始刷题开始看paper了！！撒花撒花，希望自己能够坚持下去。



给自己定一个小目标：

1、每天刷题3道

2、一周看1-2篇paper，主要看新的模型压缩和目标检测相关的。

3、完整学习计算机视...]]></description><category></category></item><item><title><![CDATA[卷积神经网络的复杂度分析]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/104617226</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/104617226</guid><author>DL_wly</author><pubDate>Mon, 02 Mar 2020 18:59:44 +0800</pubDate><description><![CDATA[在进行CNN的设计中，我们不仅要考虑模型的准确率，还需要考虑模型的实用性。现阶段大量的paper纯堆精度，缺没有深入思考模型以及算法的实用性。

最近有一点感触很深：很多我们在做研究时认为默认的东西，在进行实际应用项目中，才发现这些先验数据是无法获得的，这和学术探索是很不同的。可能需要问自己，我们应该做怎样的研究者？



对于CNN，网络的复杂度分析也是非常非常重要的。

1、时间复杂度——计...]]></description><category></category></item><item><title><![CDATA[【目标检测】多尺度检测：STDN]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/100142415</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/100142415</guid><author>DL_wly</author><pubDate>Fri, 18 Oct 2019 17:20:22 +0800</pubDate><description><![CDATA[Paper：Scale-Transferrable Object Detection

论文链接：http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhou_Scale-Transferrable_Object_Detection_CVPR_2018_paper.pdf

这是2018年的CVPR目标检测paper，主要是多尺度问题。

目...]]></description><category></category></item><item><title><![CDATA[【人脸识别】GridFace，识别中更为细致的二次校正。旷视科技]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/100142439</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/100142439</guid><author>DL_wly</author><pubDate>Wed, 25 Sep 2019 14:30:52 +0800</pubDate><description><![CDATA[Papaer：GridFace: Face Rectification via Learning Local Homography Transformations

论文链接:https://arxiv.org/pdf/1808.06210v1.pdf

旷视科技，ECCV-2018 paper。

STN网络用在识别网络中，主要用于做一个二次校正。

但是直接用STN学习可能会有扭曲

这篇p...]]></description><category></category></item><item><title><![CDATA[【模型剪枝】Network Slimming：卷积核剪枝]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/100142380</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/100142380</guid><author>DL_wly</author><pubDate>Wed, 25 Sep 2019 14:10:38 +0800</pubDate><description><![CDATA[paper：Learning Efficient Convolutional Networks through Network Slimming

这是一篇做剪枝的paper，2017的ICCV文章。

主要亮点在于直接使用BN层的gamma参数进行剪枝评估。在卷积核的级别做剪枝，非常方便好用。

问题：

这篇paper中，Lamda的选择标准和阈值标准没有给出，应该就是作者实验试出来的。

因...]]></description><category></category></item><item><title><![CDATA[【目标检测】ThunderNet: 超轻量型检测网络，旷视科技]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/100142316</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/100142316</guid><author>DL_wly</author><pubDate>Wed, 25 Sep 2019 13:57:48 +0800</pubDate><description><![CDATA[paper：ThunderNet: Towards Real-time Generic Object Detection

论文链接：https://arxiv.org/abs/1903.11752?context=cs.CV

开源代码：https://github.com/qixuxiang/Pytorch_Lightweight_Network1

不得不说，ThunderNet 做的速度...]]></description><category></category></item><item><title><![CDATA[【人脸识别~采样策略】Sampling Matters in Deep Embedding Learning]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/99059383</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/99059383</guid><author>DL_wly</author><pubDate>Sat, 10 Aug 2019 14:06:23 +0800</pubDate><description><![CDATA[Paper：Sampling Matters in Deep Embedding Learning

论文链接：https://arxiv.org/abs/1706.07567

开源代码：https://github.com/chaoyuaw/incubator-mxnet/tree/master/example/gluon/embedding_learning

在embedding lear...]]></description><category></category></item><item><title><![CDATA[【模型压缩】Deep Compression，多种方式混合经典paper]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/99058255</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/99058255</guid><author>DL_wly</author><pubDate>Sat, 10 Aug 2019 10:38:44 +0800</pubDate><description><![CDATA[Paper：Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding

论文链接：https://arxiv.org/abs/1510.00149

ICLR 2016的best paper，通过剪枝、量化、哈夫曼编码三步混合来做模型压缩。

In...]]></description><category></category></item><item><title><![CDATA[【人脸识别】set-to-set：Multicolumn Networks]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/99057410</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/99057410</guid><author>DL_wly</author><pubDate>Sat, 10 Aug 2019 10:26:46 +0800</pubDate><description><![CDATA[paper：Multicolumn Networks for Face Recognition

论文链接：https://arxiv.org/pdf/1807.09192.pdf

这是一篇set-to-set的paper，作者提出了一个Multicolumn Networks，想要同时学习视觉信息和内容信息。 在原来的网络上加了“visual” quality 和 “content” qual...]]></description><category></category></item><item><title><![CDATA[【人脸识别】视频帧聚合：Discriminative Aggregation Network]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/99010268</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/99010268</guid><author>DL_wly</author><pubDate>Sat, 10 Aug 2019 00:19:40 +0800</pubDate><description><![CDATA[paper：Learning Discriminative Aggregation Network for Video-based Face Recognition

论文链接：Learning_Discriminative_Aggregation_ICCV_2017

同样是2017 ICCV的paper，文章提出了一个DAN（discriminative aggregation network...]]></description><category></category></item><item><title><![CDATA[【论文学习】Xception——回顾经典paper]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/99009732</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/99009732</guid><author>DL_wly</author><pubDate>Sat, 10 Aug 2019 00:13:17 +0800</pubDate><description><![CDATA[paper：Xception: Deep Learning with Depthwise Separable Convolutions

URL：https://arxiv.org/abs/1610.02357

2017年的经典paper，作者在Inception的基础上引入DW卷积提出了Xception。

由于引入DW卷积，但作者的目的不是为了减少flops。所以增加了网络的宽度，所以可以认...]]></description><category></category></item><item><title><![CDATA[【二值化网络】Back to Simplicity: 思考BNN网络的设计]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/96588244</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/96588244</guid><author>DL_wly</author><pubDate>Sat, 20 Jul 2019 14:21:14 +0800</pubDate><description><![CDATA[Paper: https://arxiv.org/abs/1906.08637
开源代码：https://github.com/hpi-xnor/BMXNet-v2

2019年6月19的一篇新paper。BNN用于降低成本和计算量，非常有效。作者重新思考了BNN中一些常用技术的有效性，并且为BNN网络提出了几项设计准则，并且搭建了一个BinaryDenseNet网络。

主要是通过实验数据去...]]></description><category></category></item><item><title><![CDATA[【论文学习】EfficientNet: 探讨网络depth，width和resolution之间的balance]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/96587288</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/96587288</guid><author>DL_wly</author><pubDate>Sat, 20 Jul 2019 14:07:17 +0800</pubDate><description><![CDATA[谷歌：ICML 2019 paper：https://arxiv.org/abs/1905.11946

前一阵子谷歌非常火的一篇paper，主要探讨网络的depth，width和resolution之间的balance，来获得最佳的性能。base在分类网络上，提出了Compound Model Scaling方法。



Introduction



作者提出了EfficientNet。...]]></description><category></category></item><item><title><![CDATA[【轻量化网络】Xception：经典paper回顾]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/96584810</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/96584810</guid><author>DL_wly</author><pubDate>Sat, 20 Jul 2019 13:40:37 +0800</pubDate><description><![CDATA[paper：https://arxiv.org/abs/1610.02357

2017年的一篇经典paper，作者在Inception的基础上提出了Xception。引入了DW卷积



Xception模块

一般来说，卷积核需要同时学习空间上的相关性和通道间的相关性。InceptionV3，将空间和通道的信息显示的分开处理。Inception模块首先使用1x1的卷积核将，这是在学习通道...]]></description><category></category></item><item><title><![CDATA[【论文学习】C-FAN：视频人脸识别，component-wise，特征聚合网络]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/94458407</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/94458407</guid><author>DL_wly</author><pubDate>Tue, 02 Jul 2019 18:09:57 +0800</pubDate><description><![CDATA[原文地址：https://arxiv.org/pdf/1902.07327.pdf

这是一篇2019的cvpr paper，在视频人脸识别中，输入一组图片，输出的单个特征向量。主要是增加了一个聚合模块，用来学习component feature的质量。在feature的前一层，同时输出feature和quality信息，以提高后续metric learning的精度。

摘要

   ...]]></description><category></category></item><item><title><![CDATA[【论文学习】目标检测 —— FCOS：CVPR 2019关于one-stage和anchor-free最新实用算法]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/94183781</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/94183781</guid><author>DL_wly</author><pubDate>Sat, 29 Jun 2019 18:24:10 +0800</pubDate><description><![CDATA[Paper：FCOS: Fully Convolutional One-Stage Object Detection，CVPR 2019

URL: https://arxiv.org/pdf/1904.01355.pdf 

Code is available at: tinyurl.com/FCOSv1



这篇文章是单阶段的目标检测算法，基于anchor-free思想，效果非常好，达到4...]]></description><category></category></item><item><title><![CDATA[【论文学习】人脸识别 —— Deep Face Recognition: A Survey. 新人必看入门总结]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/93902260</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/93902260</guid><author>DL_wly</author><pubDate>Thu, 27 Jun 2019 19:43:41 +0800</pubDate><description><![CDATA[最近看了很多人脸识别loss相关和GAN相关的paper，但是没有提纲挈领的把这些串起来，今天看到了这篇综述，里面虽然介绍的比较复杂，不过总结的还是非常明晰的。

Paper: Deep Face Recognition: A Survey

链接：https://arxiv.org/pdf/1804.06655.pdf 

摘取了自己感兴趣的几部分，分享给大家，主要讲一下大的框架吧

目录

人...]]></description><category></category></item><item><title><![CDATA[【论文学习】STN —— Spatial Transformer Networks]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/93717411</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/93717411</guid><author>DL_wly</author><pubDate>Wed, 26 Jun 2019 11:12:21 +0800</pubDate><description><![CDATA[Paper：Spatial Transformer Networks

这是Google旗下 DeepMind 大作，最近学习人脸识别，这篇paper提出的STN网络可以代替align的操作，端到端的训练实现图片的align。

实际使用的过程中不需要landmarks也可以做align了，而且还可以并联多个，这对于多个物体非常适用，而且，输出的feature大小可以变换，这一点也很灵活。

提出...]]></description><category></category></item><item><title><![CDATA[【论文学习】人脸识别——FaceNet：超级经典的paper（triplet loss）]]></title><link>https://blog.youkuaiyun.com/DL_wly/article/details/93653351</link><guid>https://blog.youkuaiyun.com/DL_wly/article/details/93653351</guid><author>DL_wly</author><pubDate>Tue, 25 Jun 2019 21:02:35 +0800</pubDate><description><![CDATA[又是超级经典的一篇人脸识别paper，提供了一种端到端的处理，提出了新颖的loss function，好文值得多读！

FaceNet这篇paper是2015年的论文，实验效果非常好，在LFW中达到了99.63%的精度。

实现了利用端到端的网络学习在欧式距离空间的128维人脸特征向量。并提出了triplet loss，通过loss函数直接学习embedding feature，并且优化fea...]]></description><category></category></item></channel></rss>