<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小小小麦昆的博客]]></title><description><![CDATA[小小麦昆主要做深度学习，目标检测，OCR等方向]]></description><link>https://blog.youkuaiyun.com/u012925946</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u012925946]]></copyright><item><title><![CDATA[【大模型的一些基本结论】]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/133140859</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/133140859</guid><author>u012925946</author><pubDate>Mon, 23 Oct 2023 20:18:37 +0800</pubDate><description><![CDATA[各个论文中给出一些观察显现，我们比摘要更简略地摘要一些文本大模型大佬地基本结论和观察到的现象。]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/133606793</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/133606793</guid><author>u012925946</author><pubDate>Fri, 06 Oct 2023 11:26:42 +0800</pubDate><description><![CDATA[LLM的各类评估方式说明。]]></description><category></category></item><item><title><![CDATA[ALBEF BLIP BLIP2前世今生]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/131817883</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/131817883</guid><author>u012925946</author><pubDate>Wed, 19 Jul 2023 23:45:22 +0800</pubDate><description><![CDATA[多模态方法发展历程  BLIP路线]]></description><category></category></item><item><title><![CDATA[Sequence to Sequence 经典必读两篇论文]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/114698889</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/114698889</guid><author>u012925946</author><pubDate>Fri, 12 Mar 2021 16:21:09 +0800</pubDate><description><![CDATA[Sequence to Sequence Learning with Neural Networks  论文
Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation
论文
第一篇是Quoc V. Le 大神的2014年经典文章，引用量14161，只要涉及序列2序列，肯定要引用这篇文章，应用包括不限于语言翻译，音频识别，字符识别，序列识别等
我分别概括下两篇开山论文的梗概
Seq]]></description><category></category></item><item><title><![CDATA[JAVAscript高级编程（第四版）读书笔记]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/114529086</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/114529086</guid><author>u012925946</author><pubDate>Mon, 08 Mar 2021 14:21:40 +0800</pubDate><description><![CDATA[JAVAscript 第四版笔记
概述
JavaScript是一门用来与网页交互的脚本语言，包含以下三个组成部分。

ECMAScript： 由 ECMA-262定义并提供核心功能。   （发音为“ek-ma-script”）
文档对象模型（DOM）： 提供与网页内容交互的方法和接口。
浏览器对象模型（BOM）： 提供与浏览器交互的方法和接口。

JavaScript的这三个部分得到了五大 Web浏览器（IE、Firefox、Chrome、Safari和 Opera）不同程度的支持。所有浏览器基本上对 ES]]></description><category></category></item><item><title><![CDATA[Fast multi-language LSTM-based online handwriting recognition 在线手写识别]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/111874317</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/111874317</guid><author>u012925946</author><pubDate>Mon, 28 Dec 2020 20:50:43 +0800</pubDate><description><![CDATA[Fast multi-language LSTM-based online handwriting recognition 在线手写识别
paper
在线手写识别，是区别于离线手写识别，即带书写轨迹的字符识别，比如平板，写字板等触摸屏活着触控笔等。带有笔迹时许信息。
也区分单字识别（触屏输入法）和行识别（一次性写一行直接识别出来，666）
本文是2019年的论文,我写一下论文概要
谷歌的在线手写识别系统，在IAM-OnDB英文在线行识别数据集上最好。
该系统将来自序列识别的方法与使用贝塞尔曲线的新输入编码相]]></description><category></category></item><item><title><![CDATA[字符识别，口算题识别论文小梗概]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/110191412</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/110191412</guid><author>u012925946</author><pubDate>Thu, 26 Nov 2020 15:50:28 +0800</pubDate><description><![CDATA[口算题批改，在教育领域是一个比较实际的应用场景，小学生各种练习册中五花八门的数学口算题，写好答案之后通过拍照，自动批改，挑出题目中算错的题，提高作业正确率，大人小孩都需要。在小猿搜题等在线教育app里功能基本已经比较完备。

口算题识别，说白了也就是特殊场景的字符识别，其中包括印刷体（题干）和手写体（作答内容）的混合识别。通过检测模型把口算题抠出来，然后送入识别模型得到字符，再判断题目是否作答正确。

市面上常见的两个技术路线，腾讯使用ANMT，是基于2D attention单行多行统一的口算题识别模型。另]]></description><category></category></item><item><title><![CDATA[Ubuntu 使用上的一些小tip]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/84099519</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/84099519</guid><author>u012925946</author><pubDate>Wed, 02 Sep 2020 10:21:34 +0800</pubDate><description><![CDATA[总结记录下个人在使用Ubuntu上的一些小tips
有段时间不用就容易忘，因而把小技巧写下来一来记录，二来也许能帮到别人呢
标准输入输出重定向
Terminal中运行的训练界面，即在界面中有显示，又将所有内容输入到一个log中，以便使用工具进行查找搜寻
以Tendorflow中训练cifar10为例
python cifar10_train.py 2&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;gt;&amp;amp;amp;amp;amp;am]]></description><category></category></item><item><title><![CDATA[模型部署架构，以Triton Inference Server（TensorRT）为例]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/108349264</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/108349264</guid><author>u012925946</author><pubDate>Tue, 01 Sep 2020 20:19:36 +0800</pubDate><description><![CDATA[模型训练只是DeepLearning的一小部分，模型部署有N种方式，由TensorRT改名升级来的Triton将成为Nvidia的主推，本文主要说下Triton的主要情况]]></description><category></category></item><item><title><![CDATA[字符识别]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/108345911</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/108345911</guid><author>u012925946</author><pubDate>Tue, 01 Sep 2020 19:28:32 +0800</pubDate><description><![CDATA[公式识别首先基于文字序列识别，因而主体发展与文字识别有相近之处
大多是检测+识别
检测模型大多基于Faster R-CNN  SSD   FCN  等通用模型针对区域候选网络 、 多目标协同训练 、 特征提取 、 非极大值抑制 、 半监督式学习等方向进行改进
字符识别，指的是对已分割出的文字区域进行识别文字内容
CRNN
( Convolutional Recurrent Neural Network)
Shi Baoguang,Bai Xiang,Yao Cong. An end - to - end t]]></description><category></category></item><item><title><![CDATA[为什么MobileNet及其变体（如ShuffleNet）会变快&什么时候会受限]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/108318370</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/108318370</guid><author>u012925946</author><pubDate>Mon, 31 Aug 2020 11:48:07 +0800</pubDate><description><![CDATA[Introduction
在本文中，我概述了高效CNN模型（如MobileNet及其变体）中使用的组成部分（building blocks），并解释了它们如此高效的原因。特别地，我提供了关于如何在空间和通道域进行卷积的直观说明。
在高效的模型中使用的组成部分
在解释具体的高效CNN模型之前，我们先检查一下高效CNN模型中使用的组成部分的计算量，看看卷积在空间和通道域中是如何进行的。

假设 H x W 为输出feature map的空间大小，N为输入通道数，K x K为卷积核的大小，M为输出通道数，则标准卷]]></description><category></category></item><item><title><![CDATA[YOLOv5 解读版本1——2020.8.20]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/108131290</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/108131290</guid><author>u012925946</author><pubDate>Thu, 20 Aug 2020 20:51:20 +0800</pubDate><description><![CDATA[YOLOv4 vs. YOLOv5
data augmentation
传统增强+

CutOut
在CNN第一层随机扔掉某一块
Hide and seek
MixUp
按权重把两张图加一起
CutMix
cutout的区域加入另一张图的目标，应对遮挡问题，识别堆叠的目标物体
Mosaic马赛克
四张图片随机拼接成大图，缩放识别小物体缓解；batch压力

class label smoothing
引入均匀分布的噪声，平滑label，把类间距离放得更远了（原本只关注类内，不关注类间）
对比
YOLOv3 ]]></description><category></category></item><item><title><![CDATA[聚类有效性分析]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/107035430</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/107035430</guid><author>u012925946</author><pubDate>Tue, 30 Jun 2020 11:20:04 +0800</pubDate><description><![CDATA[概述
有ground-truth时
黄金标准（Gold Standard）作为Benchmark，是基于人工的判断制作而成。在有了这个Benchmark后，我们就可以定义出外部标准，通过簇和黄金标准之间类别的匹配的程度来评估聚类结果的好坏。
聚类质量四个外部标准：
1 纯度（Purity） 是一种简单而透明的评估手段；
2 标准化互信息（NMI, Normalized Mutual Information） 是从信息理论方面来评估；
3 兰德指数（RI, Rand Index） 能度量聚类过程中的假阳性和假]]></description><category></category></item><item><title><![CDATA[CenterNet: Objects as Points论文解读 目标检测、关键点检测论文及代码]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/106130807</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/106130807</guid><author>u012925946</author><pubDate>Fri, 15 May 2020 08:57:36 +0800</pubDate><description><![CDATA[先占个坑，之后肯定补（和博客里其他人TODO list然后就消失的那种不一样的）2020.5.14
论文https://arxiv.org/pdf/1904.07850.pdf

]]></description><category></category></item><item><title><![CDATA[谷歌的手势识别pipeline]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/105950437</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/105950437</guid><author>u012925946</author><pubDate>Wed, 06 May 2020 15:41:34 +0800</pubDate><description><![CDATA[论文https://arxiv.org/abs/1701.01779

使用自上而下，Faster R-CNN改版进行行人检测。ResNet101+空洞卷积+更密集的feature map
对检测区域进行单人姿态估计。
其中有几个细节：
不仅局限于行人包围框来预测关键点
使用预测出的关键点对BBox重新打分
高于0.3分的proposals才进行关键点计算，平均每张图3.5个proposals

...]]></description><category></category></item><item><title><![CDATA[MobileNet网络系列论文及模型V1-V2-V3]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/105379606</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/105379606</guid><author>u012925946</author><pubDate>Wed, 08 Apr 2020 11:34:05 +0800</pubDate><description><![CDATA[MobileNet V1
基于一种使用深度可分割卷积去建立轻量型网络结构的流线型结构。
引进了两个简单的超参数，这两个超参数在延迟和准确率方面达到了平衡，宽度因子和分辨率因子。
之前的网络要么大模型压缩为小模型；要么训练小模型。我们可以通过超参可调网络大小（有些论文只考虑模型规模，没直接考虑模型速度）
结构
深度可分离卷积Depthwise Separable Convolution
将标准卷积分...]]></description><category></category></item><item><title><![CDATA[CVPR2020 实例分割]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/105103216</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/105103216</guid><author>u012925946</author><pubDate>Wed, 25 Mar 2020 23:15:23 +0800</pubDate><description><![CDATA[实例分割
Hao Chen陈昊  CVPR2020   BlendMask实例分割

COCO上评价指标 mAP  每个实例，每张图选100个结果
AP：每个结果与GT算IOU     0.5:0.05:0.95 十个取平均
COCO泛化性好，不容易过拟合
缺：COCO标注不过精细
但是这个评价指标没有对更关注边界像素的情况，只是检测的IOU迁移过来的
Cascade R-CNN , Mask R...]]></description><category></category></item><item><title><![CDATA[周博磊.Phd《强化学习》课程]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/104947615</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/104947615</guid><author>u012925946</author><pubDate>Wed, 18 Mar 2020 17:28:33 +0800</pubDate><description><![CDATA[视频课链接
github链接
纲要Overview
一个【agent】在不确定的【环境】中极大化自己的【奖励】
agent并没有立刻获得反馈（不像有监督学习一次分类后就能有正确错误的反馈）
与监督学习的对比：

是序列的数据，并不是iid分布
learner不得不自己发现某些行为，因为很多步之后才能看出奖励
需要不断试错（需要在exploration exploitation之间平衡）
没有sup...]]></description><category></category></item><item><title><![CDATA[python多线程详解 Python 垃圾回收机制]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/104665097</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/104665097</guid><author>u012925946</author><pubDate>Wed, 04 Mar 2020 23:04:11 +0800</pubDate><description><![CDATA[python多线程详解
一、线程介绍
什么是线程
线程（Thread）也叫轻量级进程，是操作系统能够进行运算调度的最小单位，它被包涵在进程之中，是进程中的实际运作单位。线程自己不拥有系统资源，只拥有一点儿在运行中必不可少的资源，但它可与同属一个进程的其它线程共享进程所拥有的全部资源。一个线程可以创建和撤消另一个线程，同一进程中的多个线程之间可以并发执行。
为什么要使用多线程
线程在程序中是独立的、...]]></description><category></category></item><item><title><![CDATA[面试过程中，机器学习中常见的最优化算法]]></title><link>https://blog.youkuaiyun.com/u012925946/article/details/104612697</link><guid>https://blog.youkuaiyun.com/u012925946/article/details/104612697</guid><author>u012925946</author><pubDate>Mon, 02 Mar 2020 15:31:41 +0800</pubDate><description><![CDATA[目录机器学习中常见的最优化算法
机器学习中常见的最优化算法

]]></description><category></category></item></channel></rss>