dekiang

官方文档：在跟踪实验时，通过运行 mlflow ui 后在 http：// localhost：5000 中进行查看。目前没办法打开，也不确定是否将结果上传到mlflow的服务器中。mlflow 主要有四大功能：Tracking、Projects、Models、Model Registry(1) 跟踪实验以记录并比较实验参数和实验结果(2) 以可复用可复现的方式对代码进行打包，以便不同工程师去复现(3) 从各种ML库管理和部署模型到各种模型服务和推理平台(MLflow models)。

Transformer

Group DETR

1、几个原则必须要遵守　　（1）华为喜欢那种喜欢加班的人，所以必须要能吃苦耐劳不计较报酬　　（2）华为喜欢中庸，不要表现自己的特性，有自己性格一定会被刷掉　　（3）华为喜欢稳定的，稳定超过一切包括技术、包括是否能做事　　（4）性格不能过激，比如那种会跳楼第一时间会被刷掉　　（5）团队合作很重要，不要自己来往2、性格测试的主要测试点就是：　　（1）地雷，比如你选择了不愿意加班，你自己觉得你英明神武等，直接淘汰　　（2）自相矛盾，比如你刚开始选择你广泛听取别人意见，后面又选择你一个人做决定等（

目标检测的发展阶段：检测网络的出现和端到端；one-stage模型的出现及two-stage模型的优化；anchor-based模型的优化与改良anchor-free时代目标检测模型的种类：two-stage anchor-based detectorone-stage anchor-based detectoranchor-free detector（可细分为keypoint-based和center-based）目标检测的几个重要的出发点如何设计更好的特征提取网络？提取何种

目录1. 概述1. 概述与分类和分割不同，目标检测存在其特有的正负样本定义问题（label assignment），其显著影响着检测器的检测性能。label assignment根据是否需要适应多层结构，存在不同维度的定义：(1) 在FPN出现前，label assignment只需要考虑特征图的每个位置的正负性，我们称其为spatial dimension。(2) 在FPN出现后，label assignment除了需要考虑特征图的每个位置的正负性，还需要考虑某个尺寸的特征图应预测哪个尺寸范围

（1）判断某字符's'是否为数字：s.isdigit()（2）判断某字符's'是否为空格：s.isspace()或s == ' '（3）将某字符's'转换为数字：在转换前用s.isdigit()判断一下，再使用int(s)进行转换，否则会报错。if s.isdigit(): s = int(s)...

1. Dataset一个图多个目标，处理后一共5388张图，2125个瓷砖，好像部分瓷砖不是三张图片类别名 图像数量 边界框数量边异常 419 519 角异常 1779 1976 白色点瑕疵 1259 1945 浅色块瑕疵 643 981 深色点块瑕疵 2913 7986 光圈瑕疵

1. NMS非极大值抑制（Non-Maximum suppression，NMS）是目标检测算法中一个必要的后处理过程，目的是消除同一个物体上的冗余预测框。NMS算法的主要思想是：先对网络预测出的所有边界框按照分数由高到低排序，然后选取分数最高的预测框作为target，分别计算target与其他剩下的预测框的重叠程度（用IOU来衡量），若重叠程度大于某一预先设定的阈值，则认为该预测框与target是同时负责预测同一个物体的，所以将该边界框删除，否则予以保留。接着在未被删除的预测框中选择分数最高的预测框

目录1. 图像金字塔（image pyramid）1.1 多尺度训练/测试（multi-scale training/testing）1.2 SNIP（Scale Normalization for Image Pyramids）2. 特征金字塔（feature pyramid）2.1 直接的多尺度特征预测2.2 多尺度特征融合+单尺度特征预测2.3 多尺度特征融合+多尺度特征预测目标检测中最具挑战性的问题就是目标的尺度变化问题（scale variance）。在目标检测中，物体的形状和尺寸大小不一，甚

目录1. Motivation1.1 改变IoU阈值对检测器性能的影响1.2 Quality Mismatch1.3 Cascade R-CNN的提出2. Cascade R-CNN2.1 Cascade R-CNN和Iterative BBox比较2.2 Cascade R-CNN和Integral Loss比较3. 实验论文：Cascade R-CNN: Delving into High Quality Object Detection来源：CVPR 20181. Motivation1.1

目录1. 贡献2. Motivation3. EfficientDet3.1 overview3.2 Cross-Scale Connections3.3 Weighted Feature Fusion3.4 Compound Scaling4. 实验论文：EfficientDet: Scalable and Efficient Object Detection来源：20191. 贡献提出了简单且高效的多尺度特征融合方法：双向特征金字塔网络（bi-directional feature pyra

目录1. 概述2. DSSD2.1 overview2.2 Prediction module2.2 Deconvolution Module论文：DSSD : Deconvolutional Single Shot Detector来源：CVPR 20171. 概述DSSD是对SSD的改进，虽然SSD直接在多尺度特征上进行预测的做法提升了目标检测的准确度，但仍在存在一些缺点：SSD backbone（VGG16）的特征提取能力不够强；浅层特征的语义信息不够强，导致小目标的检测效果不好。既

目录1. Motivation2. M2Det2.1 overview2.2 MLFPN2.2.1 Feature Fusion Module (FFM)2.2.2 Feature Fusion Module (FFM)2.2.3 Scale-wise Feature Aggregation Module (SFAM)3. 实验论文：M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network来源：20

目录1. Motivation1.1 直接的多尺度特征预测1.2 多尺度特征融合+单尺度特征预测论文：Scale-Transferrable Object Detection来源：CVPR 20181. Motivation现阶段（2018年），利用多尺度特征来解决目标检测中的尺度变化问题的算法大致可以分为3类直接的多尺度特征预测，如SSD，MSCNN，DSOD；多尺度特征融合+单尺度特征预测，如ION，HyperNet，TDM，YOLOv2多尺度特征融合+多尺度特征预测，如RON，FPN，

目录1. 概述1.1 尺度变化性问题1.2 正负样本不平衡问题2. RON2.1 overview2.2 Reverse Connectiond多尺度特征融合方法2.3 anchor的放置2.4 Objectness Prior2.5 Detection and Bounding Box Regression2.6 Combining Objectness Prior with Detection3. 总结论文：RON: Reverse Connection with Objectness Prior

目录1. Motivation2. FreeAnchor2.1 Detector Training as Maximum Likelihood Estimation2.2 Detection Customized Likelihood论文：FreeAnchor: Learning to Match Anchors for Visual Object Detection来源：NIPS 20191. Motivation2. FreeAnchor2.1 Detector Training as Max

目录1. Motivation2. Guided Anchoring2.1 overview2.2 anchor的2个设计准则2.3 中心点预测分支2.4 形状预测分支2.5 Feature Adaption论文：Region Proposal by Guided Anchoring来源：CVPR 20191. MotivationAnchor是物体检测中的一个重要概念，通常是人为设计的一组框，作为分类和边界框回归的基准框。无论是单阶段检测器还是两阶段检测器，都广泛地使用了anchor。例如，两

目录1. Motivation1.1 存在的问题1.2 本文的解决方法2. Generalized Focal Loss(GFL)2.1 Quality Focal Loss (QFL)2.2 Distribution Focal Loss (DFL)2.3 Generalized Focal Loss (GFL)2.4 total loss3. 实验论文：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes f

目录1. Motivation2. CoupleNet2.1 整体结构2.2 Normalization2.3 Coupling strategy论文：CoupleNet: Coupling Global Structure with Local Parts for Object Detection来源：ICCV 20171. MotivationR-FCN使用位置敏感得分图（ position-sensitive score maps）实现共享计算，提高了目标检测速度，但是，R-FCN的PSRo