fish_like_apple的博客

前言：{ 前几篇分割网络的论文都是在[1]中找到的，开始我发现我忘了[2]，在[2]中我找到了一个比较新的网络：Gated-SCNN[3]，这次就来看看它有什么特点。}正文：{ 在论文的第一节，作者指出了目前分割网络所面临的问题，包括使用略微修改的分类网络会降低网络输出的空间解析度，和颜色、形状(shape)、纹理信息都被混在一起处理。因此，作者提出了一种...

前言：{ 今天阅读的还是在之前的awesome semantic segmentation[1] 中看到的论文UPSNet[2]，主要针对全景分割（Panoptic Segmentation）[3]。}正文：{ 在论文的第一节，作者提到了一个现象：目前分割任务包括语义分割（Semantic Segmentation）和实例分割（Instance Segme...

前言：{ 最近在github上看到了一个语义分割的汇总[1]，上面有很多论文我都还没看过，这次我打算选一个比较新的来读读看。 这次选择的论文是2019年的High-Resolution Representations for Labeling Pixels and Regions [2]。}正文：{ 在论文的第一节，作者介绍了目前一些高分辨率风格...

前言：{ 最近很久都没更新了。说实话，没时间都是借口，主要还是忘记了要时刻学习。 这段时间我在了解segmentation网络，之前我搜到了一篇腾讯云社区上的文章[1]，标题说其秒杀DeepLab。这确实激起了我的兴趣，因此我决定先读一读原论文[2]。 值得一提的是，此论文的目标是缺陷检测（分割），我很好奇其能不能泛化到其他的segmentation领域。}...

前言：{ 之前github上搜目标检测的模型，搜到了几个效果不错的模型，这次要介绍的就是其中之一：M2Det[1]，[2]。 这次的博客就用来做M2Det论文的阅读纪录。}正文：{ 在文章的一开始，作者介绍了目标检测的主要问题：目标的尺度不定。解决这个问题的方法有两种：使用图像金字塔，即对原图进行缩放以使用不同尺度的图像。由于需要反复计算特征...

前言：{ 很久没有更新了，这是因为之前我很幼稚地觉得写博客有点浪费时间。但是现在看来，不整理笔记的话学习效率更低，所以还是继续更新了。 今天的这个话题是之前多目标识别[1]的后续。本来想换个数据集试试目标检测任务，但是现在遇到些棘手的问题，其一就是如何处理样本的标注遗漏（missing annotation）。 下面简单纪录我读到的相关论文。}正文：...

前言：{ 之前把《机器学习》上面的集成学习部分过了一遍，之后就想去做编程习题，但是经过搜索发现了很多新模型。上次介绍的是xgboos，而这次介绍CatBoost。 实际除此之外，我还试了lgbm、xgboost和sklearn（sklearn之后可能会单独介绍），但是在同一个数据集上，这3个模型很快（加起来才几分钟）就出结果了，而CatBoost跑了差不多8个小时（英特尔I...

前言：{ 这几天开始忙了，可能时间没有之前充裕，但是我尽量3天一更吧。 这篇论文的名称是《Machine Learning Predicts Laboratory Earthquakes》（机器学习预测实验室地震）[1]，读一读扩充一下视野。}正文：{ 在第一节，作者先介绍了经典的地震预测方法：基于地震的间隔时间来预测。但是，这种方法在最近的一段...

前言：{    最近我去了支付宝的开放日活动，似乎看到了人脸支付的未来。我也趁热打铁，借助目前比较流行的模型了解一下人脸识别的相关模型。    我在谷歌上搜到FaceNet[1]，这是谷歌的一个模型，专门用来识别人脸。} 正文：{    论文说的很明白，模型主要分为两部分：特征提取和距离判定。结构如图2。   其中deep architecture是特征提取...

前言：{    之前深度学习不流行的时候，一般像指纹鉴别这种任务都需要很复杂的特征工程（比如寻找角点[1]）来完成。我在谷歌搜索了深度学习的指纹识别解决方案，之后搜到了[2]，便因此了解到了孪生网络（Siamese network）} 正文：{    由于[2]的内容很少，我就继续搜索，之后搜索到了[3]。    图3是一个简单的孪生网络。    其中输入层...

前言：{ 我非常想做实践部分，但之前我在github上找到的pnasnet的代码可能还有些问题（is_training=Ture时会报错），所以我还是决定先把论文看完。 上次[2]看到了[1]中第三节的，接下来继续阅读。}正文：{ 上次没有说明的是，式（2）和式（3）联合决定了输入的样本属于哪一类。 损失由两部分组成，一个是计算...

前言：{    前几天在看傅立叶变换，本来也想就此在这做些记录，但一想到现在还有很多新动向我没有了解，就很想再看看最近的论文。所以这次还是论文阅读记录。    论文地址：[1]。} 正文：{    论文的第一节首先提到了深度神经网络的痛处：需要大量的样本（所以现在很多模型都使用了迁移学习，很多情况都是使用在ImageNet上训练好的结构做特征提取）。    作者...

前言：{    最近在考虑现在这些目标检测网络用的RoI pooling方法。我认为RoI pooling方法至少有两个缺点：一是检测效果有限，目标尺寸和数量都受限；二是anchors和一些相关参数需要被预设，不支持全面的学习。    所有这次找到了一篇有关的论文[2]，想通过阅读找点灵感。} 正文：{    在论文的第一节，作者介绍了目标检测的5个步骤：特征生成、...

前言：{    之前就见过几次Focal Loss（焦点损失），只是知道它可以用于解决样本不均衡[1]，这次就来详细了解一下这种损失和对应的一种模型：RetinaNet。    论文地址：https://arxiv.org/pdf/1708.02002.pdf} 正文：{    在论文的第一节，作者提到，目前state-of-art的目标检测模型是双阶段的结构，即首...

前言：{    在https://github.com/amusi/awesome-object-detection里看到了论文《Unsupervised Hard Example Mining from Videos for Improved Object Detection》（https://arxiv.org/pdf/1808.04285.pdf）。论文主要是关于使用视频来提升目标检...