yy2050645的博客

ByteTrack多目标追踪论文阅读

蚁群算法，也是优化算法当中的一种。蚁群算法擅长解决组合优化问题。蚁群算法能够有效的解决著名的旅行商问题（TSP），不止如此，在其他的一些领域也取得了一定的成效，例如工序排序问题，图着色问题，网络路由问题等等。接下来便为大家简单介绍蚁群算法的基本原理。...

一.摘要卷积操作和循环神经元操作都是建立了一个处理一个局部范围信息的一个过程.本文呈现了一种非局部(non-local)操作,可以作为用于捕获长范围依赖的一类模块.本文提出的non-local操作在计算feature map上某点的响应值时就是通过对feature map上所有点与当前点的关系加权求和的一个结果.本文提出的non-local模块可以插入到许多计算机视觉网络结构中并取得不错的效果.二.Non-Local Neural Networks2.1公式2.2实例高斯编码高斯

一.摘要本文在进行语义分割任务时将空间金字塔池化模块或encoder-decoder结构引入到深度神经网络中。以前的网络通过对输入的feature map使用多种尺度的卷积核或者池化操作以及多种感受野能够编码出多尺度的环境信息。而之后的一些工作中提出的网络通过逐渐恢复空间信息能够捕获更加精细的物体边界。在本文中，将以上两种优势（多尺度特征+恢复空间信息）进行结合。特别地，本文提出的deeplabv3+在deeplabv3的基础上加入了简单却有效的decoder模块去细化分割结果，特别是物体的边界。二

一.摘要我们设计了一个新颖的神经网络类型，可以直接使用点云数据作为输入，并且能够很好的实现对输入点的排序不变性，即对于输入点的顺序变化不会产生输出结果的变化。所提出的网络对分类、部分分割以及场景语义解析提出了一个通用的结构。...

论文地址:https://arxiv.org/pdf/2009.14082.pdf代码地址:https://github.com/YimianDai/open-aff

一.摘要

继YOLOV1之后，这篇文章主要讲解YOLOV2，YOLOV2可以说是在YOLOV1的基础之上采取了一系列的trick去进行改进。YOLOV2在YOLOV1的基础之上效果也有了明显的提升，接下来开始介绍YOLOV2的改进之处。一.增加BN层相对于YOLOV1，YOLOV2中加入了batch normalization层，加入BN层之后作者发现对于模型收敛有着明显的提升，并且发现BN层后将D...

摘要：

1.论文要解决的问题单一图像超分辨率旨在通过使用一副高分辨率图像降级后的低分辨率图像来重构这副高分辨率图像，即通过对一副低分辨率图像放大得到一副高分辨率图像，然而在现实生活中放大倍率或放大尺度不应当只是一个固定的正整数，任意尺度的放大有着极其重要的现实使用价值。例如，可以通过滑动鼠标滚轮来任意放大图像。然而，限于内存消耗等原因，我们不可能对于每一个尺度都训练一个模型并存储。因此，使用一个单一模...

这篇博客用于记录Generative Adversarial Nets这篇论文的阅读与理解。对于这篇论文，第一感觉就是数学推导很多，于是下载了一些其他有关GAN的论文，发现GAN系列的论文的一大特点就是基本都是数学推导，因此，第一眼看上去还是比较抵触的，不过还是硬着头皮看了下来。废话不多说，下面就介绍GAN的基本原理。一.摘要摘要部分主要说明了，作者通过一个对抗训练过程来估计生成模型，...

kmeans：kmeans为一种简单的聚类算法，是一种无监督学习算法，主要作用是将众多无标签样本聚为指定的几个类。接下来简单介绍一下kmeans。首先，我们假设聚类中心为，每个聚类中心有一个簇，每个簇的样本个数依次为。则我们认为k-means的损失函数为，则，令可以得到。因此，最优的聚类中心应当在每个簇的均值点处。从另一个角度来看，我们假设每个簇均服从正太分布，且方差都相等，但均值不等，其均值...

DensityPeaks是一种基于密度的聚类方法，其也可以用于检测异常值。其基本思想就是认为那些距离样本群落较远且自身周围又没有多少样本的样本点很有可能就是异常值。要说明DensityPeaks，首先说明密度的概念，什么叫密度呢，实际上就是给定某个半径，则某个样本点的密度定义为以此样本点为圆心，以半径做圆，落入圆内的样本点个数叫做这个样本点的密度，其数学定义如下所示：则为第i个样本点的...

MMAS(Min Max Ant System)最大最小蚂蚁系统是在2000年提出的，MMAS与AS的差异主要在于以下几点：（1）采用精英规则，即在每次蚂蚁构造完解之后，只更新最优解对应路段上的信息素，这个解可以是历史最优解也可以是当前代最优解。如果只使用历史最优解的话那么有可能会造成算法过早收敛，算法的开发性强，但是探索性较弱，有可能会陷入局部最优，而使用当前代最优解可以一定程度避免这种...

有限级信息素蚁群算法使用路径等级作为信息素更新的依据，相比于传统的蚁群算法，舍弃了目标函数作为信息素更新的依据这一方法。在TSP问题中，目标函数实际就是路径长度，在传统的蚁群算法中信息素更新量为Q/f(x)，其中Q为某一常数，而f(x)就是目标函数值，即路径长度。而在有限级信息素蚁群算法中在这一点做出了改变。首先给出算法的基本步骤：步骤1：设定初始参数，初始化信息素步骤2：按照路径选择...

多分类任务实质上可以使用多个二分类器来解决。这篇博客主要介绍三种使用二分类器解决多分类任务的方法。虽然softmax之后使用交叉熵损失也可以解决多分类任务，但这篇博客不介绍这种方法。这篇博客主要介绍以下三种方法，这三种方法均是基于对训练集的拆分来进行操作的。（1）一对一（One vs One，简称OvO）设数据集为，。OvO的思想就是使每两个类构造一个二分类器，之后使用投票方式来进行预测。...

卷积神经网络是深度学习中常用的一种网络结构，经常用来做图像识别等计算机视觉方面的应用。卷积神经网络同传统机器学习方法来做图像识别最大的一个不同点就是不需要人为的去寻找图像特征，卷积层会自动提取图像特征。那么接下来就说一说卷积神经网络的基本结构：（1）卷积层卷积是数学当中的一个定义，在这里不进行过多的说明，我们只说明在CNN中是如何进行卷积运算的。也许人们一听到卷积这个词语第一感觉就是很复杂...

在tensorflow中对于分类问题采取的损失函数常常使用cross_entropy损失函数,我们常用的函数如下所示cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=y_hat_tensor, labels=y_true)其中,logits参数是用来填写神经网络输出层输出的tensor的,而labels是用来传入...

这篇博客主要介绍神经网络基础，单隐层前馈神经网络与反向传播算法。神经网络故名思议是由人的神经系统启发而得来的一种模型。神经网络可以用来做分类和回归等任务，其具有很好的非线性拟合能力。接下来我们就来详细介绍一下但隐层前馈神经网络。首先我们来看一下神经元的数学模型，如下图所示：可以看到为输入信号，而神经元最终输出为，由此我们可以看到，单个神经元是多输入单输出的。但是从上图我们可以看到，...