<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[juicetech的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/juicetech</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; juicetech]]></copyright><item><title><![CDATA[阅读论文《AugFPN: Improving Multi-scale Feature Learning for Object Detection》]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/106056431</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/106056431</guid><author>juicetech</author><pubDate>Mon, 11 May 2020 16:11:04 +0800</pubDate><description><![CDATA[1 主要思想

特征金字塔结构是一种解决目标检测中多尺度问题的有效方式之一，通过一条自顶向下的通路将高层特征中包含的语义信息引入到低层特征中，从而提升小目标检测的性能。本文则继续探索FPN结构，将整个FPN结构的工作过程总结为3个阶段：特征融合前、自顶向下特征融合、特征融合后，作者在每个阶段中找到了存在的内在问题：（1）不同层级之间的特征存在较大的语义差别，这里主要是在减少特诊图的channel数量后，不同层级间的特征存在较大的语义差异。（2）最高层特征在这过程中会丢失信息，这里主要是因为使用1*1卷积来降]]></description><category></category></item><item><title><![CDATA[论文阅读《Object Instance Mining for Weakly Supervised Object Detection》]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/104675157</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/104675157</guid><author>juicetech</author><pubDate>Tue, 24 Mar 2020 10:52:30 +0800</pubDate><description><![CDATA[1 主要思想

  弱监督目标检测（WSOD）仅仅使用的是图像级别的标注从而实现解决目标检测问题，在过去几年中得到了一些研究者的关注，而当前存在的一些解决方法都存在自己的局限性，例如使用最广泛的MIL（多实例学习）算法非常容易陷入到局部最优值，因为MIL的学习策略是学习到的每个类别中最具有判别性的目标（使用分类分数最高的目标进行训练），则这些方法会缺少足够多的样本，因此模型的检测性能会大大下降...]]></description><category></category></item><item><title><![CDATA[RS法计算Hurst指数]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/98518462</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/98518462</guid><author>juicetech</author><pubDate>Mon, 05 Aug 2019 21:15:17 +0800</pubDate><description><![CDATA[本文主要介绍一下使用RS法计算Hurst指数，文章原理等来自互联网，使用python进行了简单的实现。

声明：本博客的内容来源于各大论文和互联网，其正确性有待考究。目的仅仅为了记录一下本人的学习过程，如果正好也能对你有一点帮助或者发现文中的错误所在，非常欢迎留言交流呀。

1 原理

本人是一个小白，今天搜索了很多文章，讲得都不怎么透彻，最后看到了这篇http://club.excelhome...]]></description><category></category></item><item><title><![CDATA[ECG心电信号处理：使用WFDB对MIT-BIH数据集进行读取（Python）]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/97648470</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/97648470</guid><author>juicetech</author><pubDate>Wed, 31 Jul 2019 09:41:11 +0800</pubDate><description><![CDATA[本文的主要内容是详细介绍MIT-BIH心电数据集的读取，主要使用WFDB-python工具进行操作，能够读取心电信号数据到array中，读取annotations以及使用matplotlib绘制相应的心电信号波形，并对record和annotation数据结构进行简单的分析。

声明：本博客的内容来源于各大论文和互联网，其正确性有待考究。目的仅仅为了记录一下本人的学习过程，如果正好也能对你有一点帮...]]></description><category></category></item><item><title><![CDATA[ECG心电信号处理：初识ECG]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/97638882</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/97638882</guid><author>juicetech</author><pubDate>Mon, 29 Jul 2019 15:46:17 +0800</pubDate><description><![CDATA[本文主要介绍心电信号的基础知识，包括心电图的典型波形和波段，以及常见的心率不起分类和一些用于心电分类的数据集，能对心电信号及处理有一个最基本的认识。

声明：本博客的内容来源于各大论文和互联网，其正确性有待考究。目的仅仅为了记录一下本人的学习过程，如果正好也能对你有一点帮助或者发现文中的错误所在，非常欢迎留言交流呀。

1 心电图的基本构成

心电图是心电图机从体表记录心脏每一心动周期所产生的电...]]></description><category></category></item><item><title><![CDATA[基于RNN的MNIST数据集分类实现]]></title><link>https://blog.youkuaiyun.com/juicetech/article/details/90449138</link><guid>https://blog.youkuaiyun.com/juicetech/article/details/90449138</guid><author>juicetech</author><pubDate>Wed, 22 May 2019 18:47:45 +0800</pubDate><description><![CDATA[本文使用TensorFlow实现了基于RNN循环神经网络的MNIST手写数据集的分类。

1. 超参数定义


# 超参数定义（hyper parameters）
LEARNING_RATE = 0.001
TRAINING_ITER = 10000
BATCH_SIZE = 128

INPUT_DIMS = 28
HIDDEN_DIMS = 128
CLASSES_NUM = 10

TIME...]]></description><category></category></item></channel></rss>