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

mAP最近在做目标检测相关的项目，对于mAP一直没有搞懂，因此花了一天来学习，并将其整理在这篇博客里以供参考学习。首先mAP，即平均精度均值（mean Average Precision），是目标检测中最为常用的评估指标。例如对于R-CNN和YOLO性能的评价都会用到mAP。mAP将ground truth 和检测到的bounding box进行比较，并返回一个值，这个值越高说明模型的检测越准确。...

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

Canny算子Edge DetectionCanny 算子Canny算子假设Canny算子使用Canny算子进行边缘检测Step 1: Gaussian FilterStep 2 ：Sobel OperatorStep 3 ：边缘检测Step 4 ：非极大值抑制Step 4 ：双阈值处理代码&结果展示参考文献：Edge Detection边缘检测通过大幅度的减少待处理的数据量来简化图像分析，同时提取出图像中比较突出的信息，即有用的物体边界的结构信息[1]。边缘检测是目标识别，场景识别前期步骤。

**动态规划学习 0-1背包问题，学习笔记**最近在学习动态规划，对于一个问题解决的大致思路如下：根据已知问题分析出其状态转移方程 然后根据该方程先使用递归的暴力解法来解解决问题，由于该方式会产生大量的重叠子问题，于是在递归的基础上衍生出了一种记忆化搜索的方式，该方式有效地减少了递归函数的调用。以上两种方式都是由一种自顶向下的方式进行思考，而动态规划问题则反其道而行之，通过自底向上...

本文主要用于记录自己的学习

题目描述：给定一个二叉树，它的每个结点都存放一个 0-9 的数字，每条从根到叶子节点的路径都代表一个数字。例如，从根到叶子节点路径 1->2->3 代表数字 123。计算从根到叶子节点生成的所有数字之和。说明: 叶子节点是指没有子节点的节点。示例 1:输入: [1,2,3]1/ 2 3输出: 25解释:从根到叶子节点路径 1->2 代表数字 12.从...