第一周总结

##Markdown语法简述

• 一级、二级…标题

#这是一级标题

##这是二级标题

#这是一级标题
##这是二级标题

• ###有序无序列表
  

- + * 效果一样

• ###粗体与斜体

**这是粗体**

*这是斜体*

~~这是删除线~~

这是粗体

这是斜体

这是删除线

• ###引用
  在引用的文字前加>即可，也可以嵌套，多加几个>>：

>这是引用的内容

>>这是引用的内容

• ###分割线
  三个或三个以上的 - 或 * 都可以

- - -
* * *

---

---

• ###图片

![图片alt](图片地址 ''图片title'')

图片alt就是显示在图片下面的文字，相当于对图片内容的解释。
图片title是图片的标题，当鼠标移到图片上时显示的内容。title可加可不加

示例：

![markdown](https://d33wubrfki0l68.cloudfront.net/aee91187a9c6811a802ddc524c3271302893a149/a7003/images/bandthree2.png)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7AS6Htz5-1615352571198)(https://d33wubrfki0l68.cloudfront.net/aee91187a9c6811a802ddc524c3271302893a149/a7003/images/bandthree2.png)]

• ###图床

• 对象存储图床

国外的有amazon s3 和google storage等

国内的有七牛云、又拍云、腾讯云、阿里云、天翼云等

• 第三方图床

sm.ms、imgchr、聚合图床等

• 云盘图床

微云等

• 社交网站图床

新浪微博、qq空间等

• 云笔记图床

印象笔记、有道云笔记等

• 代码托管网站图床

github、码云等

• 自建图床

github开源图片服务Cheverto

• 区块链存储图床

IPFS等

• ###超链接
  语法：

[超链接名](超链接地址 "超链接title")
title可加可不加

示例：

[简书](http://jianshu.com)
[百度](http://baidu.com)

简书

百度

• ###表格
  语法：

表头|表头|表头
---|:--:|---:
内容|内容|内容
内容|内容|内容

第二行分割表头和内容。
- 有一个就行，为了对齐，多加了几个
文字默认居左
-两边加：表示文字居中
-右边加：表示文字居右
注：原生的语法两边都要用 | 包起来。此处省略

示例：

姓名|技能|排行
--|:--:|--:
刘备|哭|大哥
关羽|打|二哥
张飞|骂|三弟

姓名	技能	排行
刘备	哭	大哥
关羽	打	二哥
张飞	骂	三弟

• ###代码
  语法：
  单行代码：代码之间分别用一个反引号包起来

`代码内容`

代码块：代码之间分别用三个反引号包起来，且两边的反引号单独占一行

(```)
  代码...
  代码...
  代码...
(```)

• ###流程图

​```mermaid
flowchat
st=>start: 开始
op=>operation: My Operation
cond=>condition: Yes or No?
e=>end
st->op->cond
cond(yes)->e
cond(no)->op
&```

##商汤科技-MMDetection简述

MMDetection是商汤科技（OpenMMLab - 2018 COCO 目标检测挑战赛冠军）和香港中文大学开源的一个基于Pytorch实现的深度学习目标检测工具箱，支持Faster-RCNN，Mask-RCNN，Fast-RCNN，Cascade-RCNN等主流的目标检测框架以及其他一系列目标检测框架。

官方声称，相比于Facebook开源的Detectron框架，mmdetection有三点优势：performance稍高、训练速度稍快、所需显存稍小。

目前OpenMMLab支持的项目有：

• MMCV: OpenMMLab 计算机视觉基础库
• MMClassification: OpenMMLab 图像分类工具箱
• MMDetection: OpenMMLab 目标检测工具箱
• MMDetection3D: OpenMMLab 新一代通用 3D 目标检测平台
• MMSegmentation: OpenMMLab 语义分割工具箱
• MMAction2: OpenMMLab 新一代视频理解工具箱
• MMTracking: OpenMMLab 一体化视频目标感知平台
• MMPose: OpenMMLab 姿态估计工具箱
• MMEditing: OpenMMLab 图像视频编辑工具箱

目前mmdetection支持的骨干网络有：

• ResNet (CVPR’2016)
• ResNeXt (CVPR’2017)
• VGG (ICLR’2015)
• HRNet (CVPR’2019)
• RegNet (CVPR’2020)
• Res2Net (TPAMI’2020)
• ResNeSt (ArXiv’2020)

目前mmdetection支持的算法有：

• RPN (NeurIPS’2015)
• Fast R-CNN (ICCV’2015)
• Faster R-CNN (NeurIPS’2015)
• Mask R-CNN (ICCV’2017)
• Cascade R-CNN (CVPR’2018)
• Cascade Mask R-CNN (CVPR’2018)
• SSD (ECCV’2016)
• RetinaNet (ICCV’2017)
• GHM (AAAI’2019)
• Mask Scoring R-CNN (CVPR’2019)
• Double-Head R-CNN (CVPR’2020)
• Hybrid Task Cascade (CVPR’2019)
• Libra R-CNN (CVPR’2019)
• Guided Anchoring (CVPR’2019)
• FCOS (ICCV’2019)
• RepPoints (ICCV’2019)
• Foveabox (TIP’2020)
• FreeAnchor (NeurIPS’2019)
• NAS-FPN (CVPR’2019)
• ATSS (CVPR’2020)
• FSAF (CVPR’2019)
• PAFPN (CVPR’2018)
• Dynamic R-CNN (ECCV’2020)
• PointRend (CVPR’2020)
• CARAFE (ICCV’2019)
• DCNv2 (CVPR’2019)
• Group Normalization (ECCV’2018)
• Weight Standardization (ArXiv’2019)
• OHEM (CVPR’2016)
• Soft-NMS (ICCV’2017)
• Generalized Attention (ICCV’2019)
• GCNet (ICCVW’2019)
• Mixed Precision (FP16) Training (ArXiv’2017)
• InstaBoost (ICCV’2019)
• GRoIE (ICPR’2020)
• DetectoRS (ArXix’2020)
• Generalized Focal Loss (NeurIPS’2020)
• CornerNet (ECCV’2018)
• Side-Aware Boundary Localization (ECCV’2020)
• YOLOv3 (ArXiv’2018)
• PAA (ECCV’2020)
• YOLACT (ICCV’2019)
• CentripetalNet (CVPR’2020)
• VFNet (ArXix’2020)
• DETR (ECCV’2020)
• CascadeRPN (NeurIPS’2019)
• SCNet (AAAI’2021)

mmdetection训练步骤很简洁方便，需要使用某个网络，只需在train.py后添加该网络框架的config配置文件即可，mmdetection会自动识别网络，并加载对应的网络模型和训练数据，比如，要训练detectoRS的级联网络，只需要–>

./tools/dist_train.sh config/detectors/detectors_cascade_rcnn_r50_1x_coco.py

##DetectoRS简述

DetectoRS的思想来自成功的目标检测算法如Faster RCNN 、Cascade R-CNN所体现出的哲学：looking and thinking twice （无论是两阶段还是级联检测器，都体现出信息的反复利用和提精）作者是把这一思想应用于主干网的改进上，主要创新如图:

1. 宏观层次，提出递归特征金字塔网络（RFP，Recursive Feature Pyramid），集成FPN的反馈连接到主干网，使得主干网再训练得到的特征更好的适应检测或分割任务。

2. 微观层次，提出可切换的空洞卷积（SAC，Switchable Atrous Convolution）替换主干网上的标准卷积，使得模型可自适应选择感受野。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5b34LENf-1615352571199)(https://pics3.baidu.com/feed/b17eca8065380cd7fd48b2b9b2ee683258828144.jpeg?token=71e2b01fb155f3cea59b98898630f913)]

下图从左至右分别为HTC，HTC+RFP，HTC+SAC，ground truth的结果，从这个比较中，可以注意到RFP，类似于人类的视觉感知，选择性地增强或抑制神经元的激活，能够更容易地找到被遮挡的物体， 由于SAC能够根据需要增加感受野，因此它更有能力检测图像中的大型物体：

##图片合成算法简述

先上最终图片效果：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CpI2fnKe-1615352571200)(/home/dream/sda2/data_ddpest/savepath/coco/val2017/1615288931813_8.png)]

流程图如下：

 import ray
 ray.init()
 blocks = ray.get([fusion.remote(susoku_back_list[i], forefilelist[i], scale, begin_point_list[i])
                      for i in range(sudoku[scale][1])])