图网络_三木ぃ的博客-优快云博客

自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

记录美好生活

三木ぃ优快云认证博客专家优快云认证企业博客

码龄7年

97: 原创

23万+: 周排名

74万+: 总排名

18万+: 访问

: 等级

1852: 积分

125: 粉丝

317: 获赞

139: 评论

1123: 收藏

私信

关注

热门文章

分类专栏

最新评论

ByteTrack论文解读
xiaoqianqian1998: deepsort用了reid模块啊，原生的Bytetrack只使用了检测+卡尔曼滤波运动匹配，主要创新就是匹配策略
多任务损失优化：Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics
美感带来的好处: import tensorflow as tf def uncertainty_to_weigh_losses(task1_loss, task2_loss): # 计算每个任务的损失的负对数概率 task1_neg_log_prob = tf.math.negative(tf.math.log(task1_loss)) task2_neg_log_prob = tf.math.negative(tf.math.log(task2_loss)) # 计算每个任务的权重 task1_weight = tf.exp(task1_neg_log_prob) / (tf.exp(task1_neg_log_prob) + tf.exp(task2_neg_log_prob)) task2_weight = tf.exp(task2_neg_log_prob) / (tf.exp(task1_neg_log_prob) + tf.exp(task2_neg_log_prob)) # 返回权重 return task1_weight, task2_weight # 示例：计算两个任务的损失权重 task1_loss = tf.constant([0.5, 0.6, 0.7]) task2_loss = tf.constant([0.4, 0.3, 0.2]) task1_weight, task2_weight = uncertainty_to_weigh_losses(task1_loss, task2_loss) print("Task 1 weight:", task1_weight.numpy()) print("Task 2 weight:", task2_weight.numpy())
多任务损失优化：Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics
余生少年163: 请问大佬有代码吗
ByteTrack论文解读
yuday1: 你好，我想问一下按照原理来说其实这是在deepsort的基础上添加了一个保留低置信度的检测框，这样的话算法相比于deepsort应该是更为复杂，为什么BYTETrack的fps反而高出很多呢
ByteTrack论文解读
Mais10011: 你好，我想问下这篇字节的ByteTrack论文一块4090ti 16G显存的显卡能跑的起来不

图网络

关注

图网络相关知识

关注数：文章数：7 文章阅读量：15983 文章收藏量：94

作者: 三木ぃ

自己的学习笔记

展开