nwpuxhld

前提是我们有一组需要区分的类别，也知道当前的图片确实可以分到这些类别里面，那么我们可以通过给类别增加一些prompt，抽取这些prompt的文本embedding，再抽取图片的visual embedding，分别将visual embedding和不同的prompt的embedding计算相似度，哪个prompt的相似度最高，则属于那个类别。目前许多的视觉任务都是基于固定的类别类目进行训练的到的模型。而在NLP领域中，自回归/masked的这种无监督的训练方式已经逐步成为主流，并且也取得了很不错的效果。

因此这里作者提出了scale-aware的中心区域计算方法，详情如下所示，其中针对大物体，n选择5，针对小物体，n选择3。作者也从指标的角度量化了上面提到的CornerNet比较容易出现False Positive的情况，如下图所示。具体来说就是针对每个位置，我们计算其水平和垂直方向的max response，然后想加得到该位置的表征，我们认为这样的表征是包括了全局信息。具体来说，为了使得中心点的预测更加准确，作者提出了Center Pooling的层用来在水平和垂直两个维度进行特征的聚合。

作者在大规模数据集上取得了较好的效果，在中等规模的数据集上取得比CNN差一点的结果。Transformer已经在NLP领域取得了许多的进展，并且拥有较好的可解释性，本文的主要工作是将Transformer迁移到图片分类的任务中。网络结构如下图所示。

Encoder输出后的feature再会输入给decoder，decoder基于Encoder的特征和位置编码特征输出每个位置应该预测的proposal。我们再将得到的序列输入到transformer的encoder进行特征的加工，相当于重构每个unite的表征，使其可以从全局的视角加载特征和。我们是希望寻找到一个最佳匹配，使得整体的损失函数是最小的。详情可以参考wiki。整体的网络结构如上图所示，一张图片我们通过CNN抽取其基本的视觉特征（待讨论能不能像ViT那样，做到完全的Transformer）。

在v2中我们通过每个grid预测多个anchor来解决目标遗漏的问题，但是针对小目标的检测，v2仍然不是十分友好，因此，从yolov3开始引入了multi-head的概念，引入了不同分辨率的，13x13的预测大物体，26x26的负责预测中物体，52x52的负责预测小物体。=5*2+20，这里的20代表我们最后预测物体类别已经有20个类别，5代表的是（c，x，y，w，h），c表示的是置信度分数，xywh分别表示的是中心点左边和宽高。YOLO v1的整体结构如上图所示，他给整个系列的YOLO 定下了基调。

General Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection目录General Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object DetectionCode && PaperBackground && Motivation不一致性不灵活性

Identify Mislabeled Data using the Area Under the Margin RankingPaper ReadingIdentify Mislabeled Data using the Area Under the Margin RankingBackgroundContributionMethodologyDiscussionBackground目前关于noise-label 学习的工作一般包括两个大类loss，一般就是通过改进loss，使得不同样本具有不

ResNest: Split-Attention NetworksMotivationChannel维度的Attention可以对特征图维度之间的相互依赖关系建模去选择重要或者是应该被忽略的特征。Contribution提出了ResNest 网络结构，他将Multi-Path和Attention的机制相结合。可以用于分类、检测等多个领域，且取得了不错的效果MethodlogyResNest Block最主要的结构图如下图所示，下图展示了ResNestBlock。它首先将输入特征图

GIoU、DIoU、CIoU详解GIoU、DIoU、CIoUGIoU优势核心实现公式CodeDIoU(Distance-IoU)MotivationContributionsDetailResultDiscussionGIoU、DIoU、CIoU随着IoU Loss在目标检测领域的应用，最近有几篇典型的工作提出去改进IoU Loss，本文将依次介绍GIoU、DIoU和CIoU LossGIoU优势首先可以实现较全场景以类IoU Loss为目标直接优化，使得优化目标和最终的评估目标一致。由于IoU

Path Sum III问题描述：给定一颗二叉树，计算有多少条路径的sum等于一个target。路径的定义为从起点和终点之间依次都满足是后者是前者的孩子。如下图所示：问题分析：针对每个节点，我们可以记录从跟节点到该节点所经历的所有value -> paths。然后我们计算该点和前面所有点的value和等于sum的个数。同样的我们递归计算该点的左孩子，右孩子。最终的结果等于c...

Target Sum问题描述：给定一个数组A（元素为非负），你需要在A中每个数字前面加上+或-。然后让其和为S。问题分析：假设A中所有元素的和TS，则所能生成的所有sum的区间应该[-TS, TS]。对于第i个数，我们将计算其和为x的解决方法个数y,记为dp[i][x] = y.dp[i][x] = dp[i-1][x + nums[i]] + dp[i-1][x - nums[i]];...

当我们在启动server服务的时候，我们需要指定本地IP。这时候我们有三种方法localhost: client也必须是写localhost127.0.0.1 client可以写localhost，127.0.0.10.0.0.0 client可以是写localhost，127.0.0.1，本地IP，并且此种情况下别的IP地址也可以访问，不局限于本地IP...

BestTimeSellStock I问题描述：给定一组数字，代表每天股票的价格。假定现在只能进行一笔交易，计算出所能获得利润的最大值。解法：针对每个价格，我们只要知道它前面价格的最小值即好。所有我们可以遍历整个数组，并用一个数字代表之前的所有数字的最小值。所以针对数组里面的每个数，我们都能获得一个如果在该点卖出的最大利润值。我们计算这些利润值里面的最大值即可。时间复杂度：O(N), 空间...

Longest Increasing Subsequence问题描述：计算一个数组的最长上升子序列。这个子序列内的元素不一定要是相邻的。比如说数组{1, 100, 2, 3, 4}的LIS就为{1, 2, 3, 4}解法1-动态规划首先我们将问题划分成子问题=>我们该序列一定是以某一个点为起点的。所有我们另dp[i]表示以i为起点的LIS长度。构造父问题的解。假设说我们已经知道了...

PerfectSquares问题描述：首先定义完美数字是{1, 4, 9, 16 … , n^2}.然后给定一个整数N，试计算N最少由几个完美数字求和得到。比如12=4+4+4，13=4+9分析：对于一个数字N，它所能选择的最大完美数字就是int(sqrt(N))^2=X。所以对于N的结果他可以由min{N-{1,4,…,X}} + 1构造得到。所以该题是一个动态规划的题目。dp[...

PalindromeLinkedList问题描述：给定一个单向链表，试判断该链表是否是回文链表。解决思路1因为该链表是单向的，所以我们不能想vector那样从后向前访问。所以我们可以先将ListNode存储起来，然后再判断或者是说我们可以利用递归的方法来判断。我们首先用tmp保存head元素。然后利用递归遍历head，访问每一个元素。访问最后一个时候比较该元素和tmp如果...

LowestCommonAncestor问题描述：给定一颗二叉树，和二叉树的两个节点，计算出这两个节点的最低公公祖先。解法1:最低公公祖先可能出现的最高值就是根节点。我们找到从根节点到两个节点的路径，path1和path2.则两者一定是Y字型或者是V字形(root节点)则我们就把问题转化成了计算两个list的相交点问题。首先长的path先走他们之间长度差值步，使得后续的两个pat...

FindDuplicateNumber问题描述：给定一个数组长度为N，里面元素的取值范围是1～N-1。所有会有一个数是重复的，请找到这个重复的数字并返回。解法1:暴力最直接的办法就是利用两重循环来寻找当碰到相同的数字的时候就返回时间复杂度是O(N)解法2: 二分法我们知道我们N个数是分布在1～N-1之间的。所有假设我们统计1～N/2, N/2-N-1之间的数字，如果哪一方的...

Maximal Square问题描述：在一个给定的矩阵中，找到一个最大的方阵。矩阵中的元素都是0或者1.方阵内的元素要求都是1.动态规划：dp[i][j]代表以ij结束的点所能构成的最大方阵的边长。转移方程dp[i][j] = min{dp[i-1][j-1], dp[i-1][j], dp[i][j-1]} + 1. 注意这里min相当于计算交集。//// Created b...

CourseSchedule问题描述：输入一个n代表我们有N门课程，编码成0-n-1, 然后给一系列课程的前置条件，问这样安排课程是否合理。问题可以转化成判断图中是否有环的问题。我们将每门课程看成一个节点。前置条件是条有向的边。所有图是有向图。如果图中存在环则前置课程必定存在冲突，否则则不冲突。是否存在环？解法1我们首先计算每个节点的入度。将所有入度为0的节点加入队...