xiaoxu1025的专栏

HigherHRNet 源码分析

Deep High-Resolution Representation Learning for Human Pose Estimation 源码分析

Rethinking on Multi-Stage Networks for Human Pose Estimation 源码分析

CPN 源码分析

Stacked Hourglass Networks for Human Pose Estimation 源码分析从源码分析 Stacked Hourglass Networks 在人体检测方向得具体实现

Swin Transformer V2 的改进和源码分析

Fast R-CNN中提出了Roi pooling层的概念对于rolpooling层的的介绍就不多说了 网上已经有很多介绍，作用如下：在目标检测算法中，region proposal产生的ROI大小不一，而分类网络的输入要固定的输入，所以ROI Pooing起到一个连接作用，实现了网络的end to end.下图为一个特征图，黑色框为产生的ROI区域，需要把该区域通过ROI Pooing操作输出为2x2大小的维度对每个分割的区域用max pooing操作得到前向传播的代码h.

PyTorch tutorial BiLSTM CRF 代码解析

jieba分词的源码解析，并从零实现自己的分词器

Swin Transformer模型源码分析

细节这里就不在多说 可以参考https://www.zhihu.com/question/35866596或者统计方法学李航中所述

源码地址：https://github.com/davidsandberg/facenetFacenet 提出了triplet loss 一种新的损失函数计算方式。引入三元组概念 anchor positive negative损失函数定义为: L =dist(a,p)− dist(a,n) + alpha 训练就是为了尽可能减小loss 也就是将 dist(a, p) + alpa...

MTCNN源码详细解读（1）- PNet/RNet/ONet的网络结构和损失函数MTCNN源码详细解读（2）- PNet的训练和数据集的构建在此之前我们先分析下训练RNet和训练PNet的 区别:1 训练PNet时的候选框是random生成的2 R训练之前需要用到训练好的PNet预测出候选框（置信度大于一定阈值），然后计算PNet预测出的候选框和gtbox之间的偏移量3 每张图片会生成金字塔图像 下面就是具体实现# 得到初始的scale 和min_face_size取值有关 代码中是24 所以

代码地址 https://github.com/AITTSMD/MTCNN-TensorflowMTCNN源码详细解读（1）-PNet的网络结构和损失函数这篇博客主要分析PNet的数据准备和训练从下面几个文件入手:Run prepare_data/gen_12net_data.pyRun gen_landmark_aug_12.pyRun gen_imglist_pnet.pyRun gen_PNet_tfrecords.py首先分析 gen_12net_data.py这个文件主要做了一件

代码地址 https://github.com/AITTSMD/MTCNN-Tensorflow这里我就不在进行MTCNN的介绍了。默认各位已经熟知MTCNN的网络结构和训练过程Talk is cheap, just show me the code。MTCNN主要分为三个网络 PNet RNet ONet其中PNet是个全卷积网络 这是和RNet ONet最大的区别由于篇幅有限 分成多个来进行讲解MTCNN源码详细解读（2）- PNet的训练和数据集的构建def P_Net(inputs,

最近在看最邻近算法的HNSW论文，这里对里面的几个算法的伪码进行下分析记录。如果想看源码先明白伪码才能更好理解源码。算法1 插入INSERT(hnsw, q, M, Mmax, efConstruction, mL)/*** hnsw 表示输出的hnsw图结构 q 插入点 M 每个点设置的连接数 由用户自己设置 Mmax 允许的最大连接数 efConstruction 动态候选集的大小大于M mL 选择具体层数是用到的参数**/Input: