劲草浅躬行

Structured Landmark Detection via Topology-Adapting Deep Graph Learning原理先学习一个透视变换矩阵，将标准人脸关键点经过预测，粗投影到人脸上；再学习精细的变换：利用每个关键点的visual feature (D维) 和shape feature (2(N-1)维，是每个关键点和剩下N-1个关键点的二维向量) 结合成一个如下维度的数据。去学习一个移动向量；RD+2(N−1) R^{D+2(N-1)} RD+2(N−1)该文章较好

文章目录1. 整体理解2. 实施细节2.1 DD模块2.2 MRL以及检测模块3. 总结##《Diversify and Match: A Domain Adaptive Representation Learning Paradigmfor Object Detection》1. 整体理解主要就是两个模块，一个是Domain Diversification (DD)，另一个是Multi-domain-invariant Representation Learning (MRL)Domain D

文章目录1. 整体网络结构YOLOV3YOLOV4YOLOV52. 模块2.1 SPP (Spatial Pyramid Pooling)1. 整体网络结构摘自 https://zhuanlan.zhihu.com/p/172121380YOLOV3YOLOV4Yolov4在Yolov3的基础上进行了很多的创新。比如输入端采用mosaic数据增强，Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式，Neck中采用了SPP、FPN+PAN的结构，输

文章目录1. compute_loss2. build_targets1. compute_loss中英文混合注释如下：def compute_loss(p, targets, model): # predictions, targets, model device = targets.device lcls, lbox, lobj = torch.zeros(1, device=device), torch.zeros(1, device=device), torch.zeros(

文章目录一、图片输入层面1. 数据增强策略2. 多尺度输入3. SNIP4. SNIPER二、 Neck部分（采用金字塔结构改进方案的）1. 某种金字塔2. AugFPN3. PANet4. M2Det5. Effective FPN6. MatrixNets三、 Head部分的改进方案四、 其他一、图片输入层面1. 数据增强策略增加包含小目标样本的采样率，缓解了训练过程中包含小目标图片较少的这种不均衡；将小目标在同一张图像中多拷贝几次；增加了匹配到小目标GT的anch