Holeung blog

原创 CVPR&ICCV部分注意力机制最新工作调研

原创 AutoML NAS 调研（CVPR2019）

背景- Why we need to have AutoMLAutoML是个很宽泛的概念，宽泛到任何机器学习任务都可以理论上用AutoML完成，这就带来了很大的想象空间。最近做了一个关于此的调研工作，调研重点放在了NAS网络搜索上，因为这是目前研究的热点，在最新的CVPR2019上，该领域发表了14篇文章。论文PDF源码MFAS: Multimodal Fusion A...

原创 [深度学习] 车道线检测调研(lane detection)

背景车道线检测作为自动驾驶领域的常规工作，在深度学习的浪潮中又有了很大的进步，在此分享我所做的调研工作，部分为ppt截图，为了方便请谅解。车道线检测工作的局限性如上图所示，车道线检测工作的baseline并不明确，不同的方法与不同的场景应用都有各自的局限性。例如：输出类型：mask掩码/点集/矢量线条实例化：每个车道线是否形成实例分类：是否对车道线进行了分类（单白、双黄等）提前定义...

原创 [机器学习入门] 经典台大李宏毅机器学习课程从这里开始

TOPIC CONTENTS BLOG PDF VIDEO 【1】Learning Map（学习导图） blog pdf video 【2】Regression：Case Study ；回归：案例研究 blog pdf video 【3】Gradient Descent ；梯度下降 blog pdf video 【4

原创 [论文笔记] (CVPR2019) YOLACT: Real-time Instance Segmentation

原创 [论文笔记] (CVPR2019) FastFCN:Rethinking Dilated Convolution in the Backbone for Semantic Segmentation

原创 [论文笔记] (CVPR2019) DeeperLab: Single-Shot Image Parser

原创 [论文笔记] (CVPR2019) DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation

原创 雨夜

2019.8.3 于苏州

原创 [论文笔记] (CVPR2019) Structured Knowledge Distillation for Semantic Segmentation

[论文笔记] (CVPR2019) Structured Knowledge Distillation for Semantic Segmentation

原创 [论文笔记] (CVPR2019) Panoptic Feature Pyramid Networks

[论文笔记] (CVPR2019) Panoptic Feature Pyramid Networks

原创 [论文笔记] (CVPR2019) Mask Scoring R-CNN

[论文笔记] (CVPR2019) Mask Scoring R-CNN

原创 [论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation

[论文笔记] (CVPR2019) Attention-guided Unified Network for Panoptic Segmentation

原创 [论文笔记] (CVPR2019) UPSNet: A Unified Panoptic Segmentation Network

[论文笔记] (CVPR2019) UPSNet: A Unified Panoptic Segmentation Network

原创 [论文笔记] NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection（CVPR19）

[论文笔记] NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection（CVPR19）

原创 [论文笔记] Weight Agnostic Neural Networks

Experiment

原创 [论文笔记] Panoptic Segmentation with a Joint Semantic and Instance Segmentation Network

[论文简记] Panoptic Segmentation with a Joint Semantic and Instance Segmentation Network

原创 [论文笔记] (CVPR2019) An End-to-End Network for Panoptic Segmentation

[论文笔记] (CVPR2019) An End-to-End Network for Panoptic Segmentation```

原创 [论文笔记] (CVPR2019) Panoptic Segmentation

[论文笔记] (CVPR2019) Panoptic Segmentation

原创 [论文简记] (CVPR19) Decoders Matter for Semantic Segmentation

该文章提出了一种不同于双线性插值的上采样方法，能够更好的建立每个像素之间预测的相关性。得益于这个强大的上采样方法，模型能够减少对特征图分辨率的依赖，能极大的减少运算量。该工作在 PASCAL VOC 数据集上达到了 88.1% 的 mIOU，超过了 DeeplabV3 + 的同时只有其 30% 的计算量。在之前的语义分割方法中，双线性插值通常作为其最后一步来还原特征图的分辨率，由于非线性...

原创 [论文极简笔记] Searching for A Robust Neural Architecture in Four GPU Hours (CVPR19)

GDAS将整个搜索空间用一个有向无环图（DAG）来表示。针对这个DAG，GDAS设计了一个可微的采样器，GDAS在训练集上优化DAG内每个网络结构的参数，在验证集上优化这个可微的神经网络采样器。实验表明，在一个GPU上，通过几个小时的搜索时间，GDAS就可以在CIFAR-10数据集上找到一个高性能的网络结构。...

原创 [论文极简笔记] Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Image Segmentation

原创 [论文极简笔记] Partial Order Pruning: for Best Speed/Accuracy Trade-off in Neural Architecture Search

CVPR2019Contribute:This assumption may not hold for very deep networks that contain hundreds of layers , but it is generally true for the efficient architectures of our concern,Partial O...

原创 [论文极简笔记]FBNet: Hardware-Aware Efficient ConvNet Design via Differentiable Neural Architecture Search

这是CVPR2019接收的一篇文章，个人觉得几篇思路比较雷同，但贵在实验做的完备，能自圆其说。之前的架构搜索方法有两个缺点：一个一个分离训练模型；FLOPs指标不够可靠。新方法DNAS：DNAS使用基于梯度的方法，不同于之前NAS流派的基于RL的方法。DNAS优化的是结构分布，不同于之前是直接寻找的结构。DNAS的loss由交叉熵和延时两部分组成。使用速查表去计算延时...

原创 [论文极简笔记] Efficient Neural Architecture Search via Parameter Sharing（Arxiv 1802）

ENAS是对NAS的改进。NAS存在的问题是它的计算瓶颈，因为NAS是每次将一个子网络训练到收敛，之后得到相应的reward，再将这个reward反馈给RNNcontroller。但是在下一轮训练子网络时，是从头开始训练，而上一轮的子网络的训练结果并没有利用起来。当我们把上图中所有 Layer 连成一条直线的模型改成右边交叉连线的模型，显然两者是不同的 Graph，而前一个导出模型权重...

原创 [论文学习]DeepLabV3+: Encoder-Decoder with Atrous Separable Convolution for Semantic Image

DeepLabV3+: Encoder-Decoder with Atrous Separable Convolution for Semantic ImageAbstract思想

原创 [论文学习] OCNet: Object Context Network for Scene Parsing

OCNetOCNet与DANet在思想上几乎一模一样，不再赘述。

原创 [论文学习] DANet：Dual Attention Network for Scene Segmentation

DANet：Dual Attention Network for Scene SegmentationOverview基础网络为dilated ResNet（与DeepLab相同），最后得到的feature map大小为输入图像的1/8.之后使两个并行的attention module分别捕获spatial 和 channel 的依赖性，最后整合两个attention module的输出得到...

原创 [论文学习] TensorMask: A Foundation for Dense Object Segmentation

TensorMask: A Foundation for Dense Object SegmentationAbstract掩膜的结构化表示4D张量详解张量尺度金字塔Result

原创 [论文笔记] 弱监督语义分割 半监督语义分割

Adversarial learning for semi-supervised semantic segmentationBLOG @vi_wscGAN生成对抗网络：由两个子网络组成，generator和discriminator,在训练过程中，这两个子网络进行着最小最大值机制，generator用随机向量输出一个目标数据分布的样例，discriminator从目标样例中区分出生成器生成的样...

原创 街景语义分割数据集总结

汇总SYNTHIA-Dataset一个大规模的虚拟城市的真实感渲染图数据集，带有语义分割信息，是为了在自动驾驶或城市场景规划等研究领域中的场景理解而提出的。提供了11个类别物体（分别为空、天空、建筑、道路、人行道、栅栏、植被、杆、车、信号标志、行人、骑自行车的人）细粒度的像素级别的标注。包含从渲染的视频流中提取出的13407张训练图像，该数据集也以其多变性而著称，包括场景（城镇、城市、高速...

原创 [车道线检测论文学习] Robust Lane Detection from Continuous Driving Scenes Using Deep Neural Networks

车道线检测Robust Lane Detection from Continuous Driving Scenes Using Deep Neural NetworksAbstractArchitectureExperiment

原创 [车道线检测论文学习] LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban Environm

车道线检测LineNet: a Zoomable CNN for Crowdsourced High Definition Maps Modeling in Urban EnvironmentsAbstractLine prediction layerZoom moduleExperiment

原创 [车道线检测论文学习] Towards End-to-End Lane Detection: an Instance Segmentation Approach

车道线检测Towards End-to-End Lane Detection: an Instance Segmentation ApproachAbstractSemantic Instance Segmentation with a Discriminative Loss FunctionPipelineLoss FunctionCurve fittingExper...

原创 [车道线检测论文学习]SCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding

（车道线检测）Lane DetectionSCNN-Spatial As Deep: Spatial CNN for Traffic Scene Understanding小声BB：SCNN方法思路很简单，对网络结构的调整也不大，计算量没有太大增加，但该方法并未被广泛应用，故对该方法的有效性存疑… # 这么牛逼又有效为啥要发AAAI… 怀疑的眼神…关于空间关系的建模具体分析Ad...

原创 记一次图像分割项目的dataset的制作

应用Mask-RCNN做染色体图像分割，染色体存在交叉重叠情况，故需要标注重叠染色体作为训练集，于是带来了两个问题，数据不足的情况下，重叠染色体到哪里找？重叠染色体的标注如何做？问题1解决：用单染色体图叠加。 问题2解决：用多通道图像作为标注，每个通道标注一个分割目标。 效果从上图到下图： 在这里贴上代码，关键词图像二值化、灰度图转RGB、图像叠加、图像仿射变换

原创 [计算机图形学经典算法] Liang-Barsky（梁友栋-Barsky） 算法 （附Matlab代码）

刚学习了计算机图形学这门课程，为奠定根基的算法所倾倒，特此记录一二。Liang-Barsky（梁友栋-Barsky） 梁友栋,福建福州人，1956-1960年,复旦大学,师从苏步青先生，80年代初,提出了Liang-Barskey裁剪算法，1984-1990年任浙江大学数学系主任。1991年，梁友栋先生获国家自然科学三等奖，学生谭建荣、汪国昭、王国瑾、鲍虎军、马利庄第二届“中国几何设

原创 [计算机图形学经典算法] Cohen－Sutherland 算法 （附Matlab代码）

刚学习了计算机图形学这门课程，为奠定根基的算法所倾倒，特此记录一二。Cohen－Sutherland 算法编码Cohen-Sutherland 算法是早期图形学算法中的一颗明珠，这种算法使用了一种较少使用的编码方法，较好地解决了直线段的剪裁问题，在效率和简便性上均表现良好。为介绍 Cohen-Sutherland 算法，我们先描述对窗体所在平面的编码。

原创 [计算机图形学经典算法] 区域填充

刚学习了计算机图形学这门课程，为奠定根基的算法所倾倒，特此记录一二。区域填充是指从区域内的某一个象素点（种子点）开始，由内向外将填充色扩展到整个区域内的过程。区域是指已经表示成点阵形式的填充图形，它是相互连通的一组像素的集合。（前面描述的 X - 扫描线算法适用于顶点表达的多边形）区域填充算法（边界填充算法和泛填充算法）是根据区域内的一个已知象素点（种子点）出发，找到区域内其他象素点的

原创 [计算机图形学经典算法] 多边形的扫描转换

刚学习了计算机图形学这门课程，为奠定根基的算法所倾倒，特此记录一二。计算机图形学中的一个重要问题是在一个区域的内部填上不同的色彩或灰度。这里的区域分为两类，一类是多边形；另一类是以像素点集合表示的区域。 (注意，两类的区别是在图形学中的表达方式不一样)在图形学中，多边形往往是由有序的顶点序列表达的，以便于进行放缩、平移、旋转等操作。然而，在填充灰度或色彩时，采用点阵的方式才容易操作。所