<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Stay hungry, Stay foolish]]></title><description><![CDATA[通过别人的博文和论文，汲取知识，加上自己的理解又分析总结了一些细节，本着分享来帮助其他人的想法，形成了这些博客，希望更多的人对论文不同的解读出现在网上，百花齐放，方便大家更好的理解。]]></description><link>https://blog.youkuaiyun.com/m0_37263345</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_37263345]]></copyright><item><title><![CDATA[论文：Region Proposal by Guided Anchoring 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/96023877</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/96023877</guid><author>m0_37263345</author><pubDate>Mon, 15 Jul 2019 21:35:07 +0800</pubDate><description><![CDATA[一、论文

(19)Region Proposal by Guided Anchoring

https://arxiv.org/abs/1901.03278

二、论文笔记

1、背景

（1）、原本的anchors 生成不够高效

（2）、不同的问题需要预先定义不同的锚，但是anchor定义的不合适的话，可能会影响结

（3）、为了维持极高的召回率，需要定义很多的anchor ,这会带来很大的...]]></description><category></category></item><item><title><![CDATA[论文：Relation Networks for Object Detection 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/94401351</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/94401351</guid><author>m0_37263345</author><pubDate>Mon, 01 Jul 2019 18:02:19 +0800</pubDate><description><![CDATA[一、论文

(17) Relation Networks for Object Detection

https://arxiv.org/abs/1711.11575

code : https://github.com/msracver/Relation-Networks-for-Object-Detection

二、论文笔记

1、背景

（1）、建模物体之间的关系对物体检测非常有益，但是...]]></description><category></category></item><item><title><![CDATA[论文：FCOS: Fully Convolutional One-Stage Object Detection 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/93386429</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/93386429</guid><author>m0_37263345</author><pubDate>Sun, 23 Jun 2019 16:31:55 +0800</pubDate><description><![CDATA[一、论文

(19)FCOS: Fully Convolutional One-Stage Object Detection

https://arxiv.org/abs/1904.01355

code: https://tinyurl.com/FCOSv1

二、论文笔记

1、背景

（1）、anchor-based 需要设置的超参数太多了，而且超参数很影响最后的结果（比如cascade ...]]></description><category></category></item><item><title><![CDATA[论文：Training Region-based Object Detectors with Online Hard Example Mining 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/93346135</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/93346135</guid><author>m0_37263345</author><pubDate>Sat, 22 Jun 2019 18:04:47 +0800</pubDate><description><![CDATA[一、论文

(19)Training Region-based Object Detectors with Online Hard Example Mining

https://arxiv.org/abs/1604.03540

二、论文笔记

1、背景

（1）、现存的网络的启发式方法和超参数需要花费很多时间去调。

（2）、数据集的样本有很多简易样本，以及一小部分的困难样本。

（3）、传统...]]></description><category></category></item><item><title><![CDATA[论文：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/93244700</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/93244700</guid><author>m0_37263345</author><pubDate>Fri, 21 Jun 2019 23:00:16 +0800</pubDate><description><![CDATA[一、论文

(19)Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression

https://arxiv.org/abs/1902.09630

code:https://giou.stanford.edu

二、论文笔记

1、背景

（1）、深度神经网络的优化，目前主要集中在网络结...]]></description><category></category></item><item><title><![CDATA[论文：Bag of Freebies for Training Object Detection Neural Networks]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/93077544</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/93077544</guid><author>m0_37263345</author><pubDate>Thu, 20 Jun 2019 17:48:11 +0800</pubDate><description><![CDATA[一、论文

(19)Bag of Freebies for Training Object Detection Neural Networks

https://arxiv.org/abs/1902.04103

code： https://github.com/dmlc/gluon-cv

二、论文笔记

1、背景

（1）、简单的有效的训练方式，就可以再不增加任何inference时间的情况下...]]></description><category></category></item><item><title><![CDATA[论文：Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/92442415</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/92442415</guid><author>m0_37263345</author><pubDate>Sun, 16 Jun 2019 23:44:13 +0800</pubDate><description><![CDATA[一、论文

(16)Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization

https://arxiv.org/abs/1610.02391

code: https://github.com/ramprs/grad-cam/

pytorch :https://github.com/jac...]]></description><category></category></item><item><title><![CDATA[论文：CBAM: Convolutional Block Attention Module 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/92226317</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/92226317</guid><author>m0_37263345</author><pubDate>Sat, 15 Jun 2019 22:55:07 +0800</pubDate><description><![CDATA[一、论文

(18)CBAM: Convolutional Block Attention Module

https://arxiv.org/abs/1807.06521

code:gihub

二、论文笔记

1、背景

1、网络结构方面有往深度方向探索的（使用resnet结构之后，网络可以更深），有往宽度方向探索的，比如（googlenet）

还有往（cardinality）方向探索的...]]></description><category></category></item><item><title><![CDATA[论文：Text-Attentional Convolutional Neural Network for Scene Text Detection 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91961904</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91961904</guid><author>m0_37263345</author><pubDate>Fri, 14 Jun 2019 12:06:36 +0800</pubDate><description><![CDATA[一、论文

(16)Text-Attentional Convolutional Neural Network for Scene Text Detection

https://arxiv.org/abs/1604.02878

二、论文笔记

1、简介

这是一篇关于图片是否包含文字区域的二分类的论文

1、背景

（1）、文字区域只占整个图片一个很小的区域，但是图片的背景相对复杂，这样就增加...]]></description><category></category></item><item><title><![CDATA[论文：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91870612</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91870612</guid><author>m0_37263345</author><pubDate>Thu, 13 Jun 2019 16:12:46 +0800</pubDate><description><![CDATA[一、论文

(16)Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

https://arxiv.org/abs/1604.02878

二、论文笔记

1、背景

（1）、没人把facedetection and alignment结合起来做，或者前面人做得效果不太好

（2...]]></description><category></category></item><item><title><![CDATA[集成学习---综述]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91418697</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91418697</guid><author>m0_37263345</author><pubDate>Tue, 11 Jun 2019 11:31:10 +0800</pubDate><description><![CDATA[一、简介

集成学习，顾名思义，通过将多个单个学习器集成/组合在一起，使它们共同完成学习任务，有时也被称为“多分类器系统（multi-classifier system）”、基于委员会的学习（Committee-based learning）。

这里的【学习器】就是指机器学习算法训练得到的假设。而我们之所以有直觉要把多个学习器组合在一起，是因为单个学习器往往可能效果不那么好 这要么是因为它们具有...]]></description><category></category></item><item><title><![CDATA[集成学习---(Bagging) RandomForest]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91418554</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91418554</guid><author>m0_37263345</author><pubDate>Tue, 11 Jun 2019 11:29:40 +0800</pubDate><description><![CDATA[一、简介

https://www.cnblogs.com/maybe2030/p/4585705.html

鉴于决策树容易过拟合的缺点，随机森林采用多个决策树的投票机制来改善决策树，我们假设随机森林使用了m棵决策树，那么就需要产生m个一定数量的样本集来训练每一棵树，如果用全样本去训练m棵决策树显然是不可取的，全样本训练忽视了局部样本的规律，对于模型的泛化能力是有害的

产生n个样本的方法采用B...]]></description><category></category></item><item><title><![CDATA[集成学习---(Boosting)  Adaboost]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91418355</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91418355</guid><author>m0_37263345</author><pubDate>Tue, 11 Jun 2019 11:27:44 +0800</pubDate><description><![CDATA[一、简介

1、 AdaBoost就是损失函数为指数损失的Boosting算法(当然这是后话，意思是指数损失的前向分步算法和Adaboost一致)

二、细节

1、算法流程



2、最重要的两点

误差率：==（也就是在一轮过后，误差率直接用分错样本的权重想加就可以了）



（1）、弱分类器的权重如何确定

权重仅仅由该分类器的分类误差率e决定，e的范围应该是[0, 0.5]

,所...]]></description><category></category></item><item><title><![CDATA[统计语言模型]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91356445</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91356445</guid><author>m0_37263345</author><pubDate>Sun, 09 Jun 2019 20:03:00 +0800</pubDate><description><![CDATA[详细见： https://www.cnblogs.com/peghoty/p/3857839.html

1、介绍







2、计算统计语言模型的参数的方法







（1）、n-gram

做了一个n-1介的马尔科夫假设，认为一个 词出现的概率只与它前面的n-1个词相关



这样利用条件概率公式就可以统计计算了







（2）、神经概率语言模型（基于n-gram的思想...]]></description><category></category></item><item><title><![CDATA[词编码]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91352401</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91352401</guid><author>m0_37263345</author><pubDate>Sun, 09 Jun 2019 13:36:08 +0800</pubDate><description><![CDATA[1、词集模型

词集模型：将语料库的所有不相同的词，列出一个有顺序的列表，然后根据该顺序形成一个列表长度的向量，然后根据词列表的顺序，搜索句子里是否包含该词，包含的话向量的该位置置为1，否则置为0。

缺点：向量的顺序完全根据前面形成的词的列表的顺序而来，与句子的词的顺序无关，忽略了文本的词序，以及没有词语的权重信息

2、词袋模型

在词集模型的基础上，把置1改为词出现的频率信息或者tf-idf...]]></description><category></category></item><item><title><![CDATA[论文：GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/91344786</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/91344786</guid><author>m0_37263345</author><pubDate>Sat, 08 Jun 2019 15:04:03 +0800</pubDate><description><![CDATA[一、论文

(19)GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond

https://arxiv.org/abs/1904.11492

code:https://github.com/xvjiarui/GCNet.

二、论文笔记

1、背景

（1）、发现原版的non-local 结构针对每个查询位置...]]></description><category></category></item><item><title><![CDATA[论文：Segmentation Is All You Need 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/90701524</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/90701524</guid><author>m0_37263345</author><pubDate>Thu, 30 May 2019 17:32:01 +0800</pubDate><description><![CDATA[一、论文

Segmentation Is All You Need

https://arxiv.org/abs/1904.13300

二、论文笔记

1、基于RPN的方法对于图片里边一些特殊情况的物体的检测效果很差（召回率很差），比如这三种







效果差主要有两个原因：

（a）RPN高度依赖bounding box, 但是对于一些极端的例子，人工标注的ground truth ...]]></description><category></category></item><item><title><![CDATA[论文：Deformable ConvNets v2 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/90673378</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/90673378</guid><author>m0_37263345</author><pubDate>Wed, 29 May 2019 16:27:48 +0800</pubDate><description><![CDATA[一、论文

Deformable ConvNets v2: More Deformable, Better Results

https://arxiv.org/abs/1811.11168

The code for DCNv2will be released.

二、论文笔记

1、背景

a）、基于第一版的问题， 使用可变形卷积发现网络确实学会了适应物体的形状然后去关注不同形状物所覆盖的区...]]></description><category></category></item><item><title><![CDATA[论文：Feature Selective Anchor-Free Module for Single-Shot Object Detection 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/90604787</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/90604787</guid><author>m0_37263345</author><pubDate>Mon, 27 May 2019 15:48:14 +0800</pubDate><description><![CDATA[一、论文

Feature Selective Anchor-Free Module for Single-Shot Object Detection

https://arxiv.org/abs/1903.00621

https://www.cnblogs.com/fourmi/p/10602936.html

二、论文笔记

1、背景

a)、作者提出了一个FSAF网络结构块（feature...]]></description><category></category></item><item><title><![CDATA[论文：CornerNet: Detecting Objects as Paired Keypoints 阅读笔记]]></title><link>https://blog.youkuaiyun.com/m0_37263345/article/details/90604727</link><guid>https://blog.youkuaiyun.com/m0_37263345/article/details/90604727</guid><author>m0_37263345</author><pubDate>Mon, 27 May 2019 15:46:58 +0800</pubDate><description><![CDATA[一、论文

CornerNet: Detecting Objects as Paired Keypoints

论文：https://arxiv.org/abs/1808.01244

代码： https://github.com/princeton-vl/CornerNet

二、笔记

1、背景

a)使用anchors的one stage 方法有两个缺点：(1)大量的anchor box 降...]]></description><category></category></item></channel></rss>