Maple__Boy

秋招面经

农作物的资产盘点与精准产量预测是实现农业精细化管理的核心环节。当前，我国正处于传统农业向现代农业的加速转型期，伴随着农业的转型升级，政府宏观决策、社会各界对农业数据的需求不断增加，现有农业统计信息的时效性与质量，已不足以为市场各主体的有效决策提供科学依据。在农作物资产盘点方面，传统的人工实地调查的方式速度慢、劳动强度大，数据采集质量受主观因素影响大，统计数据有较大的滞后性，亟待探索研究更高效准确度更高的农业调查统计技术。在产量预测方面，及时准确地获取区域作物单产及其空间分布信息，对作物进行精准的产能预测，对

项目导读服饰分割的主要场景是对模特进行服饰抠图，要求边缘处理相对平滑，扣取召回和准确率比较高，能够覆盖95%以上的场景case。同时需要考虑模型FLOPs以及结构便宜性，便于后期有压缩的需求。本文记录了一个服饰分割项目的全流程，希望能给大家带来一些帮助。一、序很久没有写过博客了，最近忙于做项目，闭了后简单写一下心得体会。近期主要是在做服饰场景相关的项目，今天简单写写其中做的一个服饰分割。二、背景主要场景就是对模特进行服饰抠图，要求边缘处理相对平滑，扣取召回和准确率比较高，能够覆盖95%以上的场景c

论文：https://arxiv.org/abs/2106.04803Transformer跨界计算机视觉虽然已取得了一些不错的成绩，但大部分情况下，它还是落后于最先进的卷积网络。现在，谷歌提出了一个叫做CoAtNets的模型，看名字你也发现了，这是一个Convolution + Attention的组合模型。该模型实现了ImageNet数据集86.0%的top-1精度，而在使用JFT数据集的情况下实现了89.77%的精度，性能优于现有的所有卷积网络和Transformer！卷积结合自注意，更强的泛

导读基于双重注意力机制，本文针对Pixel-wise regression的任务，提出了一种更加精细的双重注意力机制——极化自注意力。在人体姿态估计和语义分割任务上，作者将它用在了以前的SOTA模型上，并达到了新的SOTA性能，霸榜COCO人体姿态估计和Cityscapes语义分割。写在前面注意力机制是一个被广泛应用在各种CV任务中的方法。注意力机制根据施加的维度大致可以分为两类：通道注意力和空间注意力。对于通道注意力机制，代表性的工作有SENet[2]、ECANet[3]；对于空间注意力机制，代表性

在被Transformer结构刷榜之前，CNN一直都是CV任务的标配。卷积有两个基本性质，分别是空间不变性 (spatial-agnostic)和通道特异性 (channel-specific)。空间不变性使得卷积能够在所有位置共享参数，并充分利用视觉特征的“平移等变性”。通道特异性使得卷积能够充分建模通道之间的关系，提高模型的学习能力。但是任何事物其实都是有两面性的，这两个性质在具有优点的同时，也同样存在缺点（缺点会在Motivation中进行具体分析）。因此，作者脑洞打开，将卷积的性质进行了反转，提出

这段时间一直在博客上面吸取日月精华，上面真是高手如云，甚是热闹，不仅让我有一种冲动，好来一场华山论剑。对前段时间的充当炮灰比赛总一下总结。希望对你有所帮助！武器库俗话说，台上一分钟、台下十年功。虽然参加数据科学竞赛不需要十年的修炼，但还是需要一些基础的知识技能作为支撑的，我讲以下几个方面。计算机科学和机器学习的相关应用都是实践性很强的项目。任何一门有关编程语言的教材，看一周的时间足够了。关键在于动手实践，做项目做比赛，也就是任务驱动型学习。关于编程我还想说一个原则，就是“天下文章一大抄，看你会抄不会

一、数据科学竞赛是什么？数据科学竞赛是由企业或者研究机构通过竞赛平台发布商业和科研难题，通过高额奖金的悬赏，吸引全球的数据科学家参与，利用众包方式解决建模问题的一种游戏。这个游戏本质上就是一种打擂台的玩法，符合各种有限游戏的规则设计，不过你同时要与成百上千的人PK。数据科学竞赛一般通过各类数据竞赛平台进行发布，最著名的数据科学竞赛平台是Kaggle和天池，Kaggle的背后是Google，天池的背后是阿里巴巴。当然，还有很多公司自己组织的比赛和顶级学术会议筹办的比赛。如果你想做比赛的话，去下面这些平台上