qq_29422755的博客

You Only Look Once: Unified, Real-Time Object Detection1、 论文要解决什么问题？论文对于当前目标检测的速度和精度问题提出了YOLO模型，以期能提升目标检测的速度和精度。2、 论文采用了什么方法？相较于当前调整分类器得到目标检测模型，论文将目标检测定义为边界框和相关类概率的回归问题。并且将单个神经网络在一个评估中直接从完整图像预测边界框和类概率。由于整个检测流水线是一个单一的网络，因此可以直接根据检测性能进行端到端的优化。3、 论文达到什么效果

Deep Metric Learning度量学习度量学习（Metric Learning）的主要目的是学习一个距离函数d(⋅,⋅):Rk×Rk↦R+d(\cdot ,\cdot ):{{\mathbb{R}}^{k}}\times {{\mathbb{R}}^{k}}\mapsto {{\mathbb{R}}^{+}}d(⋅,⋅):Rk×Rk↦R+ ，该函数将两个 kkk 维的输入向量映射为二者之间的距离。其中输入向量通常是输入图像或图像的特征表示。距离函数的形式为d(x,y)2=(x−y)TM(x−y

online boosting 和 batch boosting的区别最近的学习用到了online gradient boosting相关的知识，一开始没弄明白，于是找了先关文献查看今天算搞明白了，在此作为记录。boosting  首先来说一下boosting，boosting方法属于集成（ensemble）方法的一种，它通过将一些预测能力较弱的一些模型（例如决策树）转化为一个预测能力较强的模型。例如对于分类问题，可以通过对一组弱学习器进行weighted majority vote从而将其转化为一个

数字图像处理课程的编程作业，在此记录下来，方便自己和诸位查看。编程环境：Colab或 jupyter Notebook编程语言以及所用框架：python3.8 pytorch实现思路：本次编程作业我选择了实现人民币识别这一功能。对于该问题，可以将其转化成为图像分类的问题，使用普通的卷积神经网络即可解决。因此我使用了18层的残差神经网络即ResNet18来作为本次作业图像分类的模型。为了方便起见，我使用了pytorch框架中所提供的已经进行了预训练的ResNet18模型。使用训练集对模型训练，同时进