qq_37435458的博客

【AVA数据集】数据集介绍：https://zhuanlan.zhihu.com/p/111971448数据集下载：https://github.com/imfing/ava_downloader【美学评估介绍】美学评估和数据集：https://developer.aliyun.com/article/717322?utm_content=g_1000075236https://blog.youkuaiyun.com/weixin_41770169/article/details/88998567【NIMA

CVPR2021https://zhuanlan.zhihu.com/p/354043252

https://blog.youkuaiyun.com/weixin_49627776/article/details/118163369https://blog.youkuaiyun.com/qq_21420941/article/details/102732433

Neural Architecture Search(NAS)https://blog.youkuaiyun.com/jinzhuojun/article/details/84698471【NAS：Neural Architecture Search with Reinforcement Learning】优快云：https://blog.youkuaiyun.com/saturdaysunset/article/details/107072379【NASNet：Learning Transferable Archite

语义分割损失函数：https://zhuanlan.zhihu.com/p/103426335?utm_source=wechat_session【UNet】paper:https://arxiv.org/pdf/1505.04597.pdf知乎：https://zhuanlan.zhihu.com/p/128539526https://www.cnblogs.com/zeroonegame/p/15037260.html#1.%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84

paper:https://arxiv.org/pdf/1503.02531.pdf优快云：https://blog.youkuaiyun.com/xbinworld/article/details/83063726 https://blog.youkuaiyun.com/weixin_41761357/article/details/113719963知乎：https://zhuanlan.zhihu.com/p/127036442PPT：https://qdata.github.io/deep-learning-

目标检测任务：【NMS】优快云：https://blog.youkuaiyun.com/a1103688841/article/details/89711120import numpy as np def py_cpu_nms(dets, thresh): """Pure Python NMS baseline.""" # 所有图片的坐标信息，字典形式储存？？ x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:,

优快云：https://blog.youkuaiyun.com/Roaddd/article/details/114646354论文：https://arxiv.org/pdf/1807.06521.pdf【CBAM（Convolutional Block Attention Module）】可以看到 CBAM 包含2个独立的子模块， 通道注意力模块（Channel Attention Module，CAM) 和空间注意力模块（Spartial Attention Module，SAM) ，分别进行通道与空间

【EMA : Exponential Moving Average】cnblogs：https://www.cnblogs.com/wuliytTaotao/p/9479958.html代码：https://www.shangmayuan.com/a/92d49ecf09aa4a079817bc4c.html1. 用滑动平均估计局部均值滑动平均(exponential moving average)，或者叫做指数加权平均(exponentially weighted moving average)，

https://mp.weixin.qq.com/s/4Tq43DEaUk_rtLubcztyNw知乎：https://zhuanlan.zhihu.com/p/269589676?utm_source=wechat_session https://zhuanlan.zhihu.com/p/269702192代码(torch)：https://github.com/ramprs/grad-cam/代码(tf) ：https://github.com/Ankush96/grad-cam.t

简书：https://www.jianshu.com/p/a5831e6d1d3f优快云:https://blog.youkuaiyun.com/qq_16234613/article/details/79387345?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source

关键词：Multi-exit， 动态网络，Anytime prediction， budgeted batch classification参考：https://blog.youkuaiyun.com/c9Yv2cf9I06K2A9E/article/details/120340325NPL中的multi-exit调研 :https://github.com/txsun1997/awesome-early-exiting

一、动机：（1）在现实中对图像分类难度不一，采用一个固定的框架对图片进行分类时有时不够灵活。主要思想就是在一个网络中有多个分类出口(创新点)，对于简单图像可以直接从前面某个分类出口得到结果，而难分类的网络可能要到网络后面的某一层才能得到可靠的结果.（2）动态网络的early-exit可以减少计算量，同时latter-exit也不必重复进行浅层backbone的inference，加快速度 。主要应用领域：图像分类，语义分割数据集：MNIST, CIFAR 10，CIFAR 100， ImageNe

在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型是难以被应用的。(1)首先是模型过于庞大，面临着内存不足的问题。(2)其次这些场景要求低延迟，或者说响应速度要快。所以，研究小而高效的CNN模型在这些场景至关重要。目前的研究总结来看分为两个方向：一是对训练好的复杂模型进行压缩得到小模型；二是直接设计小模型并进行训练。不管如何，其目标在保持模型性能（accuracy）的前提下降低模型大小（parameters size），同时提升模型速度（speed, low latency）。【学习链接

【Dual Attentive Fully Convolutional Siamese Networks for Change Detection in High-Resolution Satellite Images】论文：https://ieeexplore.ieee.org/document/9259045

知乎：https://zhuanlan.zhihu.com/p/98855346BERT的全称为Bidirectional Encoder Representation from Transformers，是一个预训练的语言表征模型。它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练，而是采用新的masked language model（MLM），以致能生成深度的双向语言表征。BERT论文发表时提及在11个NLP（Natural Language Proc