weixin_42486139的博客

center loss来自ECCV2016的一篇论文：A Discriminative Feature Learning Approach for Deep Face Recognition公式：其中， x指的是特征，cyi指的是第yi个类别的中心，c会随着模型训练更新，类中心数=类别数；m表示mini-batch的大小,因此这个公式就是希望一个batch中的每个样本的feature离feature 的中心的距离的平方和要越小越好，也就是类内距离要越小越好。实现代码：cl...

nextvlad论文地址：netvlad

if len(gpu_ids) ==1: t.save(net.module.state_dict(), "model.pth")else: t.save(net.state_dict(), "model.pth")

import numpy as npimport matplotlib.pyplot as pltfrom sklearn.metrics import precision_recall_curve, average_precision_score'''y_true: 类型：np.array； gt标签y_scores： 类型：np.array； 由大至小排序的阈值score,'''#画曲线precision, recall, thresholds = precision...

面试还是比较有难度的，针对项目，每个项目都会问，不清楚的项目不要乱写。部分只记录问题，答案自己百度或者留言，博主尽量解答一面： ctc 输出长度和输入长度，输出>输入？输入>输出? ocr长序列漏检如何处理（针对ocr项目提问） 目标检测FPN输出的三个feature map，anchor是如何分配的？为何这么分配？ 小feature map分配大anchor, 大feature map 分配小anchor。 原因：感受野 DBNet创新点，如何做到...

三者设计初衷都是将feature map映射为固定维度，丢进全连接层SPP空间金字塔池化 spatial pyramid pooling假设输入feature map的尺寸为H x W x C，使用一个H x W尺寸的pooling层进行处理，那么每一个通道C变成了一个值，整个输入得到了一个C维的输出；再分别用H/2 x W/2和H/4 x W/4尺寸的pooling层处理，得到了4xC和16xC维的输出，把三个结果concat在一起变成了一个21xC维的输出，其大小和输入的H与W无关。简而

paddle报错。参考链接https://blog.youkuaiyun.com/qq_32593713/article/details/94728286解决方法，添加环境变量，很不幸，问题没得到解决我的解决方法查看paddle安装状态：官网步骤：import paddle.fluidpaddle.fluid.install_check.run_check()我的输出：Your Paddle Fluid is installed successfullyfor SINGLE GPU ...

问题描述： 多组数据需要多个模型，循环训练神经网络，结果发现程序越跑越慢解决方法： 使用memory_profiler模块检测内存。安装：pip installmemory_profilerfrom memory_profiler import profile@profiledef Conv_LSTM_2D( n_seq, n_steps, n_features): model = Sequential() model.add(Conv...

在yolo之前，目标检测的巅峰之作是faster-rcnn。

1. 介绍目标检测网络yolo系列以及ssd系列的原理。yolo对小目标检测不好的原因，除了缩小anchor外还可以如何改善？yolov3有何创新？大概介绍了一下，yolo及ssd是one-stage目标检测网络的代表，以及他们各自的backbone、anchor box生成方式小目标检测不好，我答可能是因为anchor太大，缩小anchor，面试官继续问，除了缩小anchor，还能如何改善？ 语塞。。。。（望有识之士补充）yolov3加入了anchor机制（应该没说全）2. 样..

定义生成器 ： def build_generator(self): model = Sequential() model.add(Dense(128*56*56, activation = 'relu', input_dim = self.latent_dim)) model.add(Reshape((56,56,128))) model.add(BatchNormalization(momentum = 0.8))