2023-11-2学习笔记

一、今日学习内容

1.LeCun怒赞！90.4%准确率！DeepMind新作：CNN可媲美视觉Transformer

摘要：

DeepMind的最新研究发现，模型性能主要由可用的算力和数据来决定。他们发现在相同计算量下，卷积神经网络模型和视觉Transformers模型的性能旗鼓相当。

感想：

个人理解是CNN网络经过足够多的数据和足够多的预训练，也能赶上Transoformer.

2.PaddleSeg：车道线检测

摘要：

本文介绍了车道线检测问题以及如何使用PaddleSeg进行训练，获得预测结果并进行可视化。通过裁剪图像的上半部分，我们可以省略掉不必要的天空区域并节省内存空间。在训练过程中，参考了PaddleSeg文档中给出的类别不均衡问题的处理方式。最终，通过修改vis.py使其将预测结果输出为单通道灰度图，实现了预测可视化。

感想：

文章本身技术含量也是一般般，但有两点比较有意思：

1.图片直接提取ROI，去除上半部分不包括车道的内容进行训练和标注，推理

2.PaddleSeg中提供了类别不均衡的处理能力

在图像分割任务中，经常出现类别分布不均匀的情况，例如：工业产品的瑕疵检测、道路提取及病变区域提取等。

针对这个问题，您可使用Weighted softmax loss、Dice loss、Lovasz hinge loss和Lovasz softmax loss进行解决。

• Weighted softmax loss

Weighted softmax loss是按类别设置不同权重的softmax loss。

通过设置cfg.SOLVER.CROSS_ENTROPY_WEIGHT参数进行使用。
默认为None. 如果设置为'dynamic'，会根据每个batch中各个类别的数目，动态调整类别权重。也可以设置一个静态权重(list的方式)，比如有3类，每个类别权重可以设置为[0.1, 2.0, 0.9]. 示例如下

SOLVER: CROSS_ENTROPY_WEIGHT: 'dynamic'

一、今日感想

<<男子因高彩礼退婚，拿16.8万辞职旅行：与其欠一屁股债，不如出去看看>>

这个文章，有点意思，也确实反映了当下很多年轻人的心态。 不将就，灵活。

婚姻越来越成为非必需品。

“其实每次相亲我都有点难受，我跟女生一起吃海底捞，看电影啥的，可我父母从来没吃过海底捞”

这句话说出来，体现了原生家庭对他身上打上的印记，我们这代人的父母往往在教育中无意流露出子女对他们的“欠债”义务的观点，当然和贫穷也是密切相关。 我希望我儿子以后不会背负这个十字架。

养大你是我的义务。但你并不欠我什么。