- 博客(23)
- 收藏
- 关注
RSS订阅原创 [论文阅读]U^2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection
U^2 NetAbstruct优点:由于不同尺寸的混合感受野,能捕捉更多的上下文信息(作者提出的RSU模块)使用了池化操作,在增加网络深度的同时没有增加计算量Introduction提出了以前的网络的不足:Alexnet, VGG, ResNet, ResNeXt, DenseNet 这些网络本来都是做图像分类的backbones现在用来做显著物体检测不合适。因为他们更倾向与提取语义特征,而在提取局部细节和全局差异度上有所不足。而且他们需要使用ImageNet上的预训练模型,
2020-11-08 19:23:16
1239
1
原创 [论文阅读]Bag of Tricks for Image Classification with Convolutional Neural Networks
Abstract作者介绍了几种常用的tircks,这些tricks能够明显提高普通网络的精度Trainning ProceduresTraining Steps将图片转成RGB随机在原图像中裁剪出一个矩形区域,其长宽比为[3/4,4/3],同时大下会在[8%,100%]这个区间选择。然后将图片resize到224-by-2243.0.5的几率随机水平翻转4.随机改变色调,饱和度,亮度,比例区间为[0.6,1.4]5.添加PCA噪声,系数服从N (0,0.1)N~(0,0
2020-10-22 13:56:23
314
原创 [论文阅读]BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic Segmentation
前言光看名字,看到Guided Aggreagation感觉又是一个使用attention的(全局特征指导局部特征)？Abstract问题的提出:现有的加速model的方法大部分都是牺牲低等级的特征细节,这会导致精度大大下降。所以作者提出了分开处理空间细节和语义信息(也就是用两个网络)所以建立的网络将包括下面的结构:细节分支,将会有宽通道和浅层数去捕捉低等级的特征和生成高像素的特征表示语义分支,将会有窄通道和深层数去获得高等级的语义,语义分支通过减少通道数和采用快速下采样的策略,所以
2020-08-23 22:14:56
2315
1
原创 [论文阅读]Adaptive Pyramid Context Network for Semantic Segmentation
前言看这个名字我就觉得是在PSPNet/DeepLabV3 上采取了attention，果然是…IntroductionCNN中卷积核有着受限的感受野,同时即使有着更大的感受野,卷积核也通常只关心中心的部位而忽略了边界的信息。作者提出了一个问题:What are the optimal contexts for sementic segmentation然后探究上下文向量应该表现出的理想特性:多尺度 物体通常有不同尺寸和位置方法图像金字塔在Encoder - Decoder
2020-08-23 11:20:56
402
原创 [论文阅读]Learning a Discriminative Feature Network for Semantic Segmentation
前言Introduciton作者提出了两个在语义分割之中的问题:类内矛盾 -> 有着不同外观但是有相同标签类间矛盾 -> 有着相同的外观但是有着不同标签所以作者提出了Smoonth NetWork去解决类内特征不一致的问题,Border Network去解决分辨相邻块有相同外表但是标签不同的问题。同时考虑两个决定性的因素: 多尺度的特征图和有全文信息的特征图但多尺度的特征图的引入,对于一定规模的东西,特征会有不同的程度的区别,而有一些会导致预测错误的标签。(去选择有用的特征)
2020-08-19 11:11:41
228
原创 [论文复现]Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalizatiton
前言趁着暑假还有足够多的时间,参加了百度飞桨的论文复现营,10篇论文之中选择了这篇论文。论文题目：U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation论文链接不得不说,有机会体验8卡的V100有点小期待,百度这次挺大气花时间读了一下这篇论文,讲述一下其中的创新点和一些自己的理解模型结构生成器(
2020-08-06 19:31:04
806
原创 命题逻辑
命题逻辑命题的定义具有确定真假意义的陈述句联结词联结词也称为真值函数,000 和 111 称为 000 元真值函数,设n≥1n\geq 1n≥1,称{0,1}n\{0,1\}^n{0,1}n到{0,1}\{0,1\}{0,1}的函数为nnn元真值函数¬\neg¬ 为一元联结词,∧,∨,⊕,→,↔\land,\lor,\oplus,\rightarrow,\leftrightarrow∧,∨,⊕,→,↔为二元联结词优先级:¬,∧,∨,⊕,→,↔\neg,\land,\lor,\oplus,\rig
2020-06-25 15:35:29
677
原创 各种各样的排序
前言称着考试顺便总结了一下各种各样的排序算法(似乎少了个基数排序)折半查找int binsearch(int x, int v[], int n){ int l, m, r; l = 0,r = n - 1; while(l <= r){ m = l + (r - l)/2; if (x < v[m]) r = m - 1; else if (x > v[m]) l = m + 1; else
2020-06-17 11:21:18
151
原创 一致最优功效检验
UMPT定义设统计模型为{Pθ,θ∈Θ}\{P_\theta,\theta\in\Theta\}{Pθ,θ∈Θ},考虑检验问题H0:θ∈Θ0,H1:θ∈Θ1H_0:\theta\in\Theta_0,H_1:\theta\in\Theta_1H0:θ∈Θ0,H1:θ∈Θ1设φ∗(x)\varphi^*(x)φ∗(x)是水平为α\alphaα的检验,如果对于任一水平为α\alphaα的检验φ(x)\varphi(x)φ(x),有E(φ∗(x))≥E(φ(x))E(\varphi^*(x))\g
2020-05-16 22:01:29
3409
原创 完全充分统计量
充分统计量统计量是对样本的加工和压缩,在这个过程之中有可能损失一部分参数的信息。如果压缩了样本而且没有损失样本的信息,这样的统计量称为充分统计量充分统计量定义给定条件T(X)=tT(X)=tT(X)=t的条件下,X的条件分布和参数θ\thetaθ无关,称统计量T(x)T(x)T(x)是参数θ\thetaθ的充分统计量因子分解定理设统计模型为{Pθ,θ∈Θ}\{P_\theta,\theta\in \Theta\}{Pθ,θ∈Θ},统计量T(X)T(X)T(X)是充分的,当且仅当p(x,θ)=g
2020-05-16 19:48:57
4844
1
原创 点估计的有效性
点估计的有效性设T1(x1,x2,...,xn)T_1(x_1,x_2,...,x_n)T1(x1,x2,...,xn)和T2(x1,x2,...,xn)T_2(x_1,x_2,...,x_n)T2(x1,x2,...,xn)是θ\thetaθ的无偏估计量,如果对于一切的θ∈Θ\theta\in \Thetaθ∈Θ有Varθ(T1(x))≤Varθ(T2(x))Var_\thet...
2020-04-25 23:06:22
1607
原创 参数估计-点估计
定义设统计模型为{Pθ θ∈Θ}\{P_\theta\,\theta \in \Theta\}{Pθθ∈Θ},任何与总g有关的待估计量可以看成是参数空间Θ\ThetaΘ上的实值函数q(θ)q(\theta)q(θ),g(θ)g(\theta)g(θ)称为参数用来估计参数g(θ)g(\theta)g(θ)的实值统计量T(X)T(X)T(X)称为g(θ)g(\theta)g(θ)的估计量,简称为...
2020-04-11 13:34:16
636
原创 分位点和渐进分布
分位点设随机变量X的分布函数为F(x)F(x)F(x),若xαx_\alphaxα使P{X≤xα}=F(xα)=αP\{X\leq x_\alpha\}=F(x_\alpha)=\alphaP{X≤xα}=F(xα)=α,称xαx_\alphaxα为此概率分布的(下侧)α\alphaα分位点当XXX~N(0,1)N(0,1)N(0,1),分位点记为 uαu_\alphauα或zαz_...
2020-04-07 14:25:10
3928
原创 各种各样的分布函数-t分布,F分布
t-分布设XXX~N(0,1)N(0,1)N(0,1),YYY ~ χ2(n)\chi^2(n)χ2(n),且XXX与YYY相互独立,则称随机变量T=XY/nT=\frac{X}{\sqrt{Y/n}}T=Y/nX服从的分布是自由度为nnn的ttt分布,记为TTT~t(n)t(n)t(n)t(n)t(n)t(n)的概率密度函数f(t)=Γ(n+12)nπΓ(n2)(1+t2n)−n+12f...
2020-04-06 14:31:21
8618
原创 特征函数
前言第一次看到特征函数感觉就像一个傅里叶变换,一大堆的性质和傅里叶变换也很像。一看到提出者-拉普拉斯,果然是同一派的人。定义设XXX是随机变量,称函数eitXe^{itX}eitX的数学期望φt=E(eitX)\varphi_t=E(e^{itX})φt=E(eitX)为XXX的特征函数一些理解考虑傅里叶变换的形式F(ω)=∫−∞+∞f(t)e−iωtdtF(\omega)=\int_...
2020-04-05 13:49:21
10343
原创 各种各样的分布函数-卡方分布
函数形式前面也提到过,其实χ2(n)分布,就是Γ分布的一种特殊形式\chi^2(n)分布,就是\Gamma分布的一种特殊形式χ2(n)分布,就是Γ分布的一种特殊形式其中α=n/2,β=1/2\alpha = n/2,\beta = 1/2α=n/2,β=1/2f(x)={12n2Γ(n2)xn2−1e−12x,x>00,x≤0f(x)=\left\{\begin{aligned}...
2020-04-05 00:12:34
6069
原创 各种各样的分布函数-多维正态分布
首先了解一下二维正态分布(没有学概率论正态分布了解限于高中知识)二维正态分布设(X,Y)设(X,Y)设(X,Y)~N(μ1,σ12;μ2,σ22;ρ)N(\mu_1,\sigma^2_1;\mu_2,\sigma^2_2;\rho)N(μ1,σ12;μ2,σ22;ρ)(1) cov(X,Y)=ρσ1σ2cov(X,Y)=\rho\sigma_1\sigma_2cov(X,Y)=ρσ1...
2020-04-04 21:07:32
3361
原创 各种各样的分布函数-Γ分布
前言因为自己作死，还没有学习概率论就报了二学位的数理统计，听得我是一脸懵逼，为了督促自己好好学习，决定开一个笔记来监督自己学习。不然估计要挂科了 xD。Γ\GammaΓ分布分布函数形式f(x)={βαΓ(α)xα−1e−βx,x>00,x≤0f(x)=\left\{\begin{aligned}&\frac{\beta^\alpha}{\Gamma(\alpha)}x^...
2020-04-03 18:26:11
9695
原创 C++面向对象学习：模板使用总结
前言这次课程有一大半都在讲c++的ios类,听着真是让人头大,不过感觉没有什么特别大的难度。还是总结一下模板的使用方法吧,感觉模板这个东西确实能够节省很大的代码量。模板的使用函数模板使用方法template <class T1,class T2>//使用typename也可以T Function(T1 a, T2 b){ //函数内容}传入什么类型的参数编译...
2020-03-22 18:00:44
149
原创 C++面向对象学习：虚函数与多态
前言不知不觉之中也学到了多态了,等到学完C++面向对象之后就去学JavaScript(确信)。话不多说，来总结一下多态的用法。多态的各种表现假设基类和派生类有同名同参数的虚函数。表现一用基类的指针指向不同的派生类，将会调用所指向的派生类的方法。CDerived ODerived;CBase *p = & ODerived;p->VirtualFunction();...
2020-03-20 16:35:30
269
原创 C++面向对象学习:继承自string的MyString
不得不说，继承确实节约了很大的代码量，比起来上一道题这个的复杂度低多了。题目链接这道题目就是考察一下继承之中的构造函数使用。这个题目需要三个构造函数。第一个构造函数是无参数的，第二个是字符串的构造。这两个相信也没有什么悬念。重点是第三个构造函数，题目给了我们提示，就是派生类可以直接转换成为基类(只要把派生类里面的基类拿出来就可以了)，但是基类不能够直接转换成为派生类对象。当我们在使用父类的...
2020-03-14 17:20:13
484
原创 C++面向对象学习:全面的MyString
今天完成到第五周的任务了，课程也终于学完了一半了。不得不说，学习了面向对象之后，感觉对于c++的构成有了更加深入的了解。之前很多没有搞懂的原理在学了之后感觉其实也挺简单的。感觉设计者的思路真的很巧妙啊。题目链接题目有一点繁琐，就是各种各样的重载操作。没有什么好说的。不过在做题目的时候，还是遇到了几个问题：strlen 不能够去求指针NULL的长度，cout 输出字符也是以’\0’ 结尾的...
2020-03-13 21:06:12
334
原创 C++面向对象学习:魔兽世界之一：备战
本着学习的态度去报名了北京大学的mooc：C++面向对象程序设计(虽然自己已经报名过好几次了)。前面几次都有由于各种各样的事件自己咕咕掉了。这一次下定决心认真来学习，所以决定开一个专栏来监督自己。不得不说第一次接触面向对象的思想总感觉在写程序的时候需要纠结特别久。每一次还是用以前的面向对象的思想去做题，做起来特别纠结，毕竟谁不想写出来一个美观的代码。因为自己还没有去学习后面的继承、多态一些...
2020-03-07 23:17:11
281
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人