cuihaoren01的专栏

论文名称：SegNet: A Deep Convolutional Encoder-Decoder Architecture for ImageSegmentation论文链接：SegNet项目地址：

紧接着上一章节的线性回归，这一周学习下逻辑回归。同样参照的资料斯坦福大学2014（吴恩达）机器学习教程中文笔记那本文的知识体系如下：基本知识点定义而线性回归yi=wi∗xi+by_{i} = w_{i}*x_{i} + byi​=wi​∗xi​+b，模型的范围是可以为$\left { -∞，+∞ \right } ，线性回归能预测连续的值，然而对于分类问题，我们的因变量可能属于两个类别正向类和负向类，即，线性回归能预测连续的值，然而对于分类问题，我们的因变量可能属于两个类别正向类和负向类，即，线性

本专栏用来回顾下，此前学习的各种机器学习理论知识，网上各种资料很丰富，我这边主要借鉴至:斯坦福大学2014（吴恩达）机器学习教程中文笔记按照该博主的笔记，结合一些博客，按照我自己想要了解的知识体系进行了归纳。不得不说，up主写的实在是太完美了，把吴恩达老师的笔记整理的透透的。大大节省了观看视频的时间，佩服佩服！首先就学习下机器学习中最简单的问题—线性回归问题。主要的知识框架如下：解决哪些问题线性回归解决的事线性拟合问题，通俗点来说：就是有一系列的自变量xix_{i}xi​和其对应的因变量yiy_

本文转载自：一张图梳理YOLOv4论文 - pprp - 博客园该博主整理的十分的完备，我这边就直接转载过来，为保留学习使用，如侵犯权利，请及时提醒。一张图梳理YOLOv4论文AlexeyAB大神继承了YOLOv3, 在其基础上进行持续开发，将其命名为YOLOv4。并且得到YOLOv3作者Joseph Redmon的承认，下面是Darknet原作者的在readme中更新的声明。来看看YOLOv4和一些SOTA模型的对比，YOLOv4要比YOLOv3提高了近10个点。思维导图YOLOv4总体上

ATSS论文阅读笔记论文名称：Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection论文链接：https://arxiv.org/abs/1912.02424代码地址：https://github.com/sfzhang15/ATSS.摘要1、Anchor-based方法和Anchor-free的方法最重要的差异就是在如何定义正负训练样本;2、AT

YOLOF论文阅读论文名称：You Only Look One-level Feature论文链接：https://arxiv.org/pdf/2103.09460.pdf代码链接：https://github.com/megvii-model/YOLOF摘要1、 作者探究了FPN之所以能提升检测效果的原因：主要是因为分治的思想而非多尺度特征融合；2、 作者提出一种替换FPN复杂的特征金字塔的方案，仅使用一个层级的特征进行检测，提出了YOLOF，其中两个重要组件Dilated Encoder和U

摘要1、检测器的性能所限于训练过程的不平衡问题，作者主要从三个层面解决训练过程的不平衡问题–sample level，feature level，objective level。2、IoU balanced对应sample level的解决方案，balanced feature pyrmaid对应feature level的解决方案，balanced L1 loss对应Objective level的解决方案。ps：这种结构的文章看起来还是舒服的，写起来应该也很舒服吧，哈哈哈。引言无论是单阶段还是

论文：FCOS: Fully Convolutional One-Stage Object Detection论文链接：https://arxiv.org/abs/1904.01355论文代码：https://github.com/tianzhi0549/FCOSPrefaceIntroduction首先作者按照“惯例”说明了基于Anchor based检测器的缺点：基于Ancho...

Faster R-CNN模块解读（一）— 检测器的构建根据之前的介绍，config文件中的 model 中的 type 指定了检测器是一个Faster R-CNN检测器。我们知道要调用一个检测模型要用到函数model = build_detector(cfg.model, train_cfg=cfg.train_cfg, test_cfg=cfg.test_cfg)。接下来，我们看看其是如何调...

训练函数调用训练脚本python tools/train.py configs/faster_rcnn_r50_fpn_1x.py训练可选项：–work_dir：模型checkpoint以及训练log文件的输出目录，若在脚本中不设置，则为config/*.py中work_dir中的路径。–resume_from：指定在某个checkpoint的基础上继续训练，若在脚本中不设置，则为co...

mmdetection介绍mmDetection（mmdetection）应该是目前最流行的检测网络框架了，由香港中文大学与商汤合作维护的一个检测工具箱，目前仍然在不断的更新中。本系列打算研究学习下如何使用mmDetection去复现其他论文的检测网络模型或者构建自己的网络模型，以及如何使用mmDetection训练自己的数据。网上已有不少mmDetection源码分析博客，大家也都是按照各自...

并不是做关于SLAM方向的，但由于某些任务涉及到，故作此笔记～相机内参矩阵：不同的的深度摄像头具有不同的特征参数，在计算机视觉里，将这组参数设置为相机的内参矩阵C:[fx0cx0fycy001 ]\begin{bmatrix} f_x& 0 &c_x \\\\ 0 & f_y & c_y \\\\ 0 &amp...

第一次面试Java中"=="与Equal的区别“==”是运算符，用于比较两个变量是否相等。Java中的基本数据类型包括：byte，short，char，int，long，float，double，boolean他们之间的比较，应用双等号，比较的是他们的值。若操作数的类型是基本数据类型，则该关系操作符判断的是左右两边操作数的值是否相等。若操作数的类型是引用数据类型，则该关系操作符判断的是...

Java中的多线程实现方式在我们的开发的过程中，常常会碰到多线程的问题，对于多线程的实现方式主要有两种：实现Runnable接口、集成Thread类。对于这两种多线程实现的方式也是有一些差异的。网上针对此问题基本都是使用买票系统的例子，接下来我们就用代码来模拟下售票系统，实现2个售票点发售10张车票，一个售票点表示一个线程。方案一首先从最简单的做法开始，开两个Thread类进行售票。 测试代码如下

RecyclerView开发学习（二）前言上一篇学习了下RecyclerView的基本使用，主要是一些基本操作。回顾下： RecyclerView 是Android L版本中新添加的一个用来取代ListView的SDK，它的灵活性与可替代性比listview更好.首先还是POST出我的学习链接： http://blog.csdn.net/lmj623565791/article/detail

layout_*的一些注意事项在Android UI的开发中layout_*应该是用的很多的，但其中有很多的坑想必大家也碰到过，今天就来写写自己碰到的！之后如果还有碰到就在添加。layout_width | layout_height起因先来说说起因，做一个自定义的Dialog。这本来是很简单的事情，以前也做过很多次包括PopupWindow。可能是之前到处借鉴别人的代码，没怎么注意，今天自

RecyclerView总结学习（一）RecyclerView已经出现有一年多了，各种“该有的”东西也都有了。这里就来总结学习一发！照常先贴学习链接： http://blog.csdn.net/lmj623565791/article/details/45059587 https://github.com/codepath/android_guides/wiki/Using-the-Recycl

今天来学习下之前一直在用但却从没研究过的Toolbar吧。这个小东西在如今的Android开发中几乎是必用，用过很多次但每次自己想写的时候却只能写个简单的出来。现在就来深究下！照常先贴学习链接： http://www.jcodecraeer.com/a/anzhuokaifa/androidkaifa/2014/1118/2006.html这个链接呢，基本上把Toobar的一些主要知识点介绍了下。