Wanderist_

ROI: Region of InterestOHEM:Online Hard Example Mining

看完YOLO算法后，觉得真的是非常棒的一个对象检测算法。最主要的亮点是他的检测速度快，这和其中的只用一次卷积提取特征有关，也就是说，该算法不是先对图像进行区域划分再进行卷积提特征分类，而是一个端到端的一次性的回归出bounding box和classification，即输出 n * n * 8个参数（假设对象有3类）。Pc：是否有对象，bx：对象中心点的x坐标（小于1），by：对象中心点的y...

1.利用每个关键点的响应图（即平面上的点的数值满足正态分布，可以画出三维高斯图）来表达各个部位的空间约束，相当于把点的回归转化成面的回归，减少误差。同时论文中把中心点的响应也作为网络的输入，用来做中心约束。2.由于论文中提出的网络是分阶段的，因此在训练的时候，如果只用最后一阶段的的输出和label计算loss会使得梯度回传到上一阶段出现梯度弥散的现象，因此论文中提出中继监督优化，即在每一阶段的...

1.由于该网络是多任务训练，分别对难检测点和易检测点进行了loss 计算，同时采用了Feature Pyramid Network（FPN）主结构（U-shape）提取特征，因此训练时间比较长，当我对该网络进行了改进时，发现完整从头训练一次需要24~26个epoch，而一个epoch就需要3个半小时，耗时特别长，因此把开始的学习率从0.0001调到了0.0005，缩短了训练时间，赶论文所迫，总共有...

1.首先最明确的一点就是修改需要检测关键点的个数，COCO数据集姿态识别的关键点个数是17，而FashionAI数据集的总个数是24个，但是不同的服装类别的个数不一样，比如blouse有13个点，但是如果生成24个heatmap，就会至少有11个heatmap是没用的，这样导致GPU内存增大，又使得loss不能很好的传递训练，因此最好分别对每个单类别进行训练2.测评要求不一样，FashionA...

1.一般情况下，AI深度学习的任务会有要求分类的，对象检测的，关键点检测的，但这些任务都需要网络既有提取细节信息的能力，又具有大感受野的能力。2.比如FashionAI的服饰属性分类，既需要网络能提取细节信息（领口，袖口等），也就是要求feature map的分辨率高，又需要网络具有大的感受野，能看到全局（比如长裤等），但是一般通过堆叠卷积操作，让感受野增大后，feature map的分辨率又...