墨门

1 参数设置粒子数量：根据解空间的特点来进行设置；

ICCV 2019：ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks地址：https://www.semanticscholar.org/paper/ACNet%3A-Strengthening-the-Kernel-Skeletons-for-CNN-Ding-Guo/f14469790532b5136d283a1b46c6c47a50dbbc79解读视频：

1DCT变换的学习笔记DCT变换是一种可逆的变化，也就是说：DCT变换是一种一一映射；

监督域（supervision field）表示特征图上每个点监督的范围；

1 前言最近语义分割的课程中讲到了全卷积网络FCN，感觉还是挺有趣的，FCN有一些独特的特点，其中我觉得最重要的特点，就是：输入图像大小的任意性，不过这种任意性不是通过resize操作实现的；从本质上来说，resize操作是不利于深度模型进行拟合，因为resize操作实际上改变的图像的细节，因为会设计到重采样的操作，（我们看看PIL的resize()函数的声明，Image.r...

2 备注2.1 将 Feature Map变换成一维向量的方式？1. Flattening；将Feature Map直接平铺展开成一维向量；2. Global Avg Pooling压缩；使用GAP的优点：1. 可以限定输出向量的长度；这个优点是Flattening所不具备的，这个特点在构造输入尺寸无关的CNN网络中有重要的应用；2. 可以进行特征压缩；使用平均池化，对每个...

1 致谢感谢网友ScorpioLu的帮助，他写的博文对我理解Adaboost算法有启发和帮助的效果~原文链接如下：https://www.cnblogs.com/ScorpioLu/p/8295990.html2 前言今天在学习Adaboost算法~3 Adaboost算法介绍Adaboost算法是一种分类算法。他也是一种迭代算法，其核心思想是针对同一个训练集训练不...

1 前言今天在学习RRPN网络~2 RRPN网络介绍RRPN，Rotation Region Proposal Networks，旋转区域候选框网络。通过其命名就可以看出，他是为了解决目标检测中的检测区域具有旋转角度的情况而产生的。其论文最初提出的应用场景，是为了解决自然场景下的文本检测问题而提出的，在自然场景中，由于视角的原因，获得图片中的文字常常都是带有旋转角度的，而之前的文字检测...

Keywords: DWConv1 致谢感谢赵老师的讲述~2 前言今天在学习CNN~3 CNN中的卷积操作卷积操作是CNN网络中一种很基础的操作，指的是模板与输入图像对应窗型区域的卷积操作。4 Feature Map的尺寸计算Feature Map图像的尺寸计算公式如下：Hout=⌊Hin+2×padH−dilationH×(kH−1)−1strideH+1⌋Wout=⌊Win+2×padW−dilationW×..................

1 前言今天在学习机器学习~第一次在听赵老师，讲到DenseNet时，我就感觉到很神奇，感觉这种网络似乎用layer实现了一种类似于神经元层之间“全连接”的一种结构，让我感觉到很神奇，而且这种网络结构在直觉上跟泰勒公式十分类似，我感觉他们之间肯定是有关联的，不过后来赵老师又说到，DenseNet用的很少，而且“计算量比较大”，这让我感到很失望，因为在我心目中，Den...

在CNN中，我们会用到不同的Kernel来对图像中不同的邻域进行特征提取，而不同的Kernel提取的特征往往是不同的，（这也是我们构建CNN网络的一个要求，我们总是希望不同的Kernel能提取到不同的特征；这也是为什么在对CNN的网络进行初始化的时候，不能将权值全部初始化为0的原因，因为如果权值的初始值相同，对于同一个gate连接的两个权值来说，由于回传过来的梯度时相同的，则两者在此次更新中被更...

对于Soft-NMS，首先选择score最高的候选框，然后对于IoU重合较高的邻域候选框，并不是像单纯NMS那样直接删除；而是应用了一种decay其score的方法，那么decay的参数如何确定呢？就是跟IoU有关，如果IoU越大，说明重合的程度越高，那么很有可能是同一个目标，所以decay的程度越高。...

不知道目标检测有没有切片学习，就是把目标图像切成小块进行学习的方法？ 其实深度学习，就是线性函数和非线性函数的多层嵌套，有人证明过深度学习的网络可以拟合几乎任何函数吗？ loss函数的正则化是不是基于一个前提：那就是所用的参数大多数都是与模型相关度很高的参数？...

1 前言感谢Wiki百科以及“Lagrange multiplier”编辑者们的帮助，我感觉Wiki百科比百度百科好太多了，Wiki百科“Lagrange multiplier”词条链接如下：https://en.wikipedia.org/wiki/Lagrange_multiplier2 问题描述今天CV作业的问题是：已知一个游泳者要渡过多个平行的河流，每个河流的流速分别为：v1,v...

1 致谢感谢网友su_yuheng提供的帮助原文链接如下：https://blog.youkuaiyun.com/su_yuheng/article/details/785437262 前言梯度在计算机视觉中是很重要的概念，其实，梯度在高等数学中是有自己的定义的，详细的可以参照百度百科，其定义为：但是这个定义是用导数定义的，而图像数据实际上是一种二维离散函数，所以其定义会发生相应的...

1 致谢感谢网友zouxy09的介绍，原文链接如下：http://dataunion.org/20584.html2 HOG算法介绍方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用...

1 致谢感谢机器学习研究会提供的资料2 前言关于SVM，一直觉得是个很神奇的东西，特别是最初的时候听说他是苏联科学家提出来的（SVM最早由前苏联学者Vladimir N. Vapnik和Alexander Y. Lerner），就更觉得酷了，尤其是这个算法的名字还叫“支持向量机”，哇，感觉跟图灵机一样酷呢！3 Linear SVM——线性向量机最初SVM只是一个线性模型。只...

2 SIFT算法介绍SIFT算法，即 Scale-Invariant Feature Transform，尺度无关的特征变换算法。3 SIFT算法的主要步骤3.1生成尺度空间：DoG算法利用高斯滤波生成不同尺度下的图像，以构建高斯图像金字塔，如图所示，可以看到，高斯金字塔分为多层，每层都是一个octave图层，高层octave是由低层octave中的图片下采样得到的。...

1 致谢感谢网友tongle.Wang的帮助，链接如下：https://blog.youkuaiyun.com/ecnu18918079120/article/details/781957922SURF算法介绍SURF 算法，全称是 Speeded Up Robust Features。该算子在保持 SIFT 算子优良性能特点的基础上，同时解决了 SIFT 计算复杂度高、耗时长的缺点，对...

1 前言今天看CV的文献，看到了“Haar-wavelet”，感觉跟小波变换应该有关系，所以觉得应该学习一下。2小波变换介绍刚刚看完哈尔变换。

1 致谢感谢网友叶晚zd的博客，原文链接如下：https://blog.youkuaiyun.com/u013925378/article/details/829075022 RANSAC算法介绍随机抽样一致算法（RANdom SAmple Consensus,RANSAC）,采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。RANSAC算法假设数据中包含正确数据和异常数据（...

1 致谢感谢网友大奥特曼打小怪兽的帮助原文链接如下：https://www.cnblogs.com/zyly/p/9646201.html1 前言特征点方法是计算机视觉传统目标检测方法中很常用的一种算法思想，例如：SIFT，就是一种十分典型的特征点方法。2 常用函数介绍cv2.detectAndCompute(image, mask[, descriptors[, us...

1 前言正在学习RANSAN算法~2 单应矩阵计算单应矩阵时，对特征点匹配的数量没有上限，只有下限，最低要求要求4个点对。