一千零一夜的博客

关键点数据集介绍

基于深度学习的目标姿态估计：一份综合的调研

缺点：（1）分割模块只有下采样，没有上采样，最后的分割精度会下降。（2）且没有跳层连接（类似resnet或者unet结构），浅层信息会丢失，不利于多尺度缺陷检测。

这里是根据网络结构，搭建模型，用于图像分类任务。

（2）不同的是组件不再是一种深度可分离卷积，而是水桶型结构：先1x1卷积通道升维，再深度卷积，再接1x1卷积（也就是逐点卷积）降维，这里与Resnet刚好相反（所以叫。深度可分类卷积：将普通卷积（核大小5x5x3）拆分成深度卷积（核大小5x5x1），逐点卷积（核大小1x1x3），过程如下图。（2）逐点卷积（就是1x1的卷积），逐个点去卷积，一个卷积（核大小1x1x3）去卷8x8x3，得到8x8x1特征图。（1）深度卷积，逐个通道去卷积，一个卷积（核大小5x5x1）去卷12x12x3，得到8x8x3特征图。

前言解决的问题：分组卷积的输出之和前面部分输入相关。提出shufflenet unit. 在1x1的卷积后，把组内的特征，再分成g组，随机关联到后面的g组，然后对每一组都如此。论文ShufflfleNet: An Extremely Effificient Convolutional Neural Network for Mobile Devices https://arxiv.org/pdf/1707.01083v1.pdfshufflenet unit原理图片(a)

思路：数据特征的分布被假定为一个多元高斯分布，异常值通常在多元高斯分布中表现为远离数据集的中心（均值向量）的数据点。协方差矩阵可以描述各个特征之间的相关性和离散程度。通过计算数据点相对于协方差矩阵的马氏距离，可以识别潜在的异常点。

（1）teacher和student网络结构是一样的，只是teacher的最后一个卷积输出通道翻倍。（1）image_ae和image_st是同样的图片，只不过image_ae多了一个颜色数据增强；（1）image_ae和image_st是同样的图片，只不过image_ae多了一个颜色数据增强；（2）student不是在预训练数据集上进行训练，而是在具体的应用项目中无异常图像上训练。（1）teacher是图像分类数据集的预训练模型，或者是这种预训练网络的蒸馏版本；（2）注意：没有bn操作。

（2）论文中n是1024（均匀采样），论文中只用到了(x,y,z)坐标，所以输入是nx3点云矩阵，首先经过mlp(64,64)，即两个多层感知机全连接网络，维度变化3->64->64，输出nx64特征向量；（2）网络输入的是Nx(d+C)矩阵，N是点个数，d维坐标，C维点特征，输出矩阵是N'x(d+C')，其中N'是采样后的点个数，C'是点特征向量维度。（3）分割输出：分割分支输出的是nxm的矩阵scores，有n个点，每个点有m个分数，m个分数对应m个语义分割类别，哪个值大，当前点就属于哪个类别。

cvpr2020 PF-Net点云补全技术

迭代最远距离采样，在点云论文PointNet++和PF-Net中用于对点云数据下采样。

我们都知道数据对于深度学习模型的重要性，但是如何省时省力的得到高质量的数据呢？这就是此文章探讨的问题。

yolo v1代码逐行解析

目录1.论文地址2.解决什么问题3.出现问题的原因4.解决办法4.1 过采样4.2 复制粘贴1.论文地址https://arxiv.org/abs/1902.07296https://arxiv.org/abs/1902.072962.解决什么问题检测小目标的能力，往往弱于检测大目标（AP值低2到3倍）。注：0<area<32x32：小目标32x32<area<96x96: 中等目标96x96<area: 大目..

1.Deep Unsupervised Saliency Detection: A Multiple Noisy Labeling PerspectiveJing Zhang1,2, Tong Zhang2,3, Yuchao Dai†1, Mehrtash Harandi2,3, and Richard Hartley21 中国西北工业大学，戴玉超教授；2 澳大利亚国立大学 ；...

一、思路：从信息论的角度看，有效编码可以将图片H中信息分为两部分：$$H(Image) = H(Innovation) + H(Prior Knowledge)$$Innovation变化，即为显著部分；Prior Knowledge先验知识，即为背景部分，冗余部分。相似就代表着冗余。对一个系统而言要最小化视觉的冗余信息，它必须知道输入图片的统计相似性（即所有图片平均特性）。那...