qq_42246695的博客

使用torchvision.models加载的模型默认使用的是BatchNorm，当需要在分布式机器上训练时，我们需要将BatchNorm转换成SyncBatchNorm，可以使用：backbone = models.resnet18(pretrained=True, norm_layer=nn.SyncBatchNorm)

对于处理像素位置处channel维度为12341234的特征，可以通过fold转换成两通道的[1,2,3,4] [1,2,3,4]当需要把12341234区分为按1、2、3、4分组的特征，可以使用reshape+transpose同理把1、2、3、4分组特征concat在一起，希望转换为12341234，同样可以使用reshape+transposefold和PixelShuffle的区别，以及11223344<---->12341234转换的具体细节，之后补充...

目录基础知识经典分类网络GoogleNetResNetXceptionDenseNetDetNetShuffleNetHRNet卷积反卷积/转置卷积扩张卷积 语义分割/目标检测可变形卷积 语义分割/目标检测可分离卷积 DepthWise convolution问题正则化NormalizationBatch NormalizationLayer NormalizationDropoutL1/L2激活函数损失梯度下降/爆炸/消散分割损失分割任务VOS语义分割最近准备面试，所以记录一下自己学习的进程。因为本人做

ImportError: /home/hadoop-hmart-waimaiups/anaconda3/envs/open-mmlab/lib/python3.7/site-packages/mmcv/_ext.cpython-37m-x86_64-linux-gnu.so: undefined symbol: _ZN6caffe28TypeMeta21_typeMetaDataInstanceISt7complexIdEEEPKNS_6detail12TypeMetaDataEvImportError:

在模型训练过程中，每训练一个epoch，就测试一个epoch，以了解网络性能。当使用网络测试时，测试集的准确率与在训练时测试的结果差距极大。经过仔细查证，问题出在dropout上，在训练过程，直接使用了no_grad()函数来关闭梯度计算，with torch.no_grad(): images = images.to(device)此时训练迭代的测试的过程中未关闭BatchNormalization和Dropout，以这种状态进行测试而在真正测试过程中使用了model.eval()关

重启大法好

模型加载torchvison.modelsnn.ModuleListgetattr & setattrtorchvison.modelsrgb_encoder = models.resnet101(pretrained=True)self.conv0_rgb = nn.Sequential(rgb_encoder.conv1, rgb_encoder.bn1, nn.PReLU())self.conv1_rgb = nn.Sequential(rgb_encoder.maxpool, *rg

URVOS: Unified Referring Video Object Segmentation Network with a Large-Scale BenchmarkAbstractIntroductionRelated WorkReferring Image SegmentationVideo Object SegmentationMulti-modal Video UnderstandingRefer-Youtube-VOS DatasetURVOSVisual EncoderLanguage

这里写目录标题一级目录二级目录三级目录一级目录二级目录三级目录

Motion-Attentive Transition for Zero-Shot Video Object SegmentationIntroductionProposed MethodNetwork OverviewMATSSABARImplementation DetailsExperimentsAblation StudyResult链接: arxiv.Introduction论文中提供了一种利用运动信息来增强时空对象表示的方法，在深度学习时代之前，对象运动就一直被视为视频对象分割的有益提示.

video object segmentation2020 CVPR2020 ECCV之前的2017-2019年论文会逐渐陆续添加上，自己的一些论文翻译和总结也会陆续整理上来。近些年里，跟视频相关的任务逐渐增多，从之前的Video Classification到后来的Video Object Segmentation，相关任务还有很多：Video Captioning/Video Object DetectionVideo Super-Resolution/Video Instance Segmen

Fast Video Object Segmentation using the Global Context Module（2020 ECCV）Contribution一级目录二级目录三级目录A real-time, high-quality semi-supervised video object segmentation algorithm：Its accuracy is on par with the most accurate, time-consuming online learning m

[论文阅读 2020 CVPR]Kernelized Memory Network for Video Object SegmentationSemi-Supervised. KMNSTM在VOS任务中的问题KMN ContributionHide-and-SeekMemory ReadSTM Memory ReadKernelized Memory ReadKernelized Memory NetTwo Stage TrainingResultPerformanceAblation studyQual