weixin_41641830的博客

BatchNorm：batch方向做归一化，算NHW的均值，对小batchsize效果不好；BN主要缺点是对batchsize的大小比较敏感，由于每次计算均值和方差是在一个batch上，所以如果batchsize太小，则计算的均值、方差不足以代表整个数据分布LayerNorm：channel方向做归一化，算CHW的均值，主要对RNN作用明显；InstanceNorm：一个channel内做归一化，算H*W的均值，用在风格化迁移；因为在图像风格化中，生成结果主要依赖于某个图像实例，所以对整个batch归一化不

json class_ids = coco.getCatIds() image_ids = coco.getImgIds() image = coco.loadImgs(i)[0] annotation_ids = coco.getAnnIds(imgIds=image["id"], catIds=1) annotations = coco.loadAnns(annotation_ids)

CornerNet-Saccadesingle type and multi-object减少处理的像素的个数来提高inference的效率通过attention map找到合适大小的前景区域，然后crop出来作为下一阶段的精检图片CornerNet-Saccade 预测3张attention maps, 分别用于小尺寸(the longer side of its bounding box is less than 32 pixels)、中尺寸(between 32 and 96 pixe

CornerNet-(目标检测->关键点检测)流程：ConvNet生成两组heat maps来预测不同分类下的corners，其中一组负责预测左上角，另一组负责预测右下角。backbone使用hourglass network。每组heatmap有C个channel，其中C是category数量，heatmap的size为。每个channel就是一个binary mask，表示location是否是这个分类下的corner。 ConvNet为每个corner预测embedding vec..